УДК 62.

50
Ю.Л. Милявский

ИДЕНТИФИКАЦИЯ В КОГНИТИВНЫХ КАРТАХ В РЕЖИМЕ

ИМПУЛЬСНЫХ ПРОЦЕССОВ ПРИ НЕПОЛНОМ ИЗМЕРЕНИИ
КООРДИНАТ ВЕРШИН
НТУУ «КПИ им. И. Сикорского»

ВВЕДЕНИЕ
Когнитивные карты (КК) – это взвешенные орграфы, отражающие основные концепты
предметной области и связи между ними через вершины и ребра, их связывающие [1].
Данная статья продолжает предыдущее исследование [2], касающееся важной актуальной
проблемы – идентификации КК. Обычно КК, как структуру, так и значении весов ребер,
составляют эксперты на основе своего опыта и представлений. Естественно, адекватность
такой модели всегда может быть поставлена под вопрос. Однако в случаях, когда имеются
исторические данные о некоторых значениях координат вершин КК, либо когда возможно
проведение эксперимента с помощью подачи тестовых сигналов на систему и измерение
хотя бы части вершин, появляется возможность математической идентификации КК на
основе теории идентификации. Это, конечно же, значительно повышает доверие к модели и
достоверность получаемых с ее помощью результатов.
В [2] изучается вариант, когда измеряются все координаты вершин КК. Рассмотрены
три метода идентификации, которые отличаются областями применимости и качеством
получаемых результатов. Первый метод разработан для детерминированной среды, когда все
вершины КК измеряются точно. Второй метод позволяет получить гарантированные
интервалы оценок в случае ограниченных шумов измерений. Однако он применим только
при невысоких уровнях шума либо при очень хорошо обусловленной матрице измерений.
Третий метод наиболее общий и основывается на методе наименьших квадратов. Проведены
теоретические и практические исследования, которые выявили зависимость точности
идентификации от соотношения шума к полезному сигналу, от длительности интервала
наблюдений, от длительности периода подачи тестирующих возбуждающих воздействий и
от количества вершин КК, на которые эти воздействия подаются. Предложенные в работе
процедуры регуляризации обеспечивают устойчивость получаемых решений и повышают
точность оценивания в случае, когда известна дополнительная информация о нулевых связях
между определенными вершинами КК.
 2

Однако на практике чаще всего не все вершины КК поддаются измерению. Таким

образом, даже в случае, когда структура КК известна, часть координат ее вершин остается
неизмеряемой и предложенные ранее методы не могут быть применены. Данная работа
посвящена решению этой проблемы.

ПОСТАНОВКА ЗАДАЧИ
Идентификация КК проводится в режиме импульсных процессов (ИП), т.е. переходных
процессов, возникающих в сложной системе при действии на некоторые ее вершины
возмущений (импульсов). Уравнение ИП КК согласно [1] записывается так
n
Δxi ( k +1)= ∑ α ij Δx j (k ),
j=1 (1)

где Δxi ( k )=xi (k)−xi (k−1 ), α ij – весовой коэффициент дуги взвешенного

ориентированного графа, которая соединяет j -ую вершину КК с i -ой, n – количество

вершин КК. В векторно-матричной форме выражение (1) принимает вид
Δ X̄ (k+1)=AΔ X̄ (k),
(2)
где A – транспонированная весовая матрица смежности КК, составленная из весовых

коэффициентов ее ребер; Δ X̄ – вектор приращений координат

x i . Разностное
выражение (2) описывает свободное (неуправляемое) движение сложной системы при
импульсном процессе.
Предположим, что на часть измеряемых вершин КК можно непосредственно
воздействовать, подавая на них внешние импульсы (тестовые сигналы либо управления).
Пусть таких воздействий будет R штук, т.е. имеем вектор ū размерности R . Тогда
уравнение вынужденного движения в ИП КК выглядит так:
Δ X̄ (k+1)=AΔ X̄ (k)+B ū(k ), (3)

где матрица B (n×R ) также очевидным образом составлена из нулей и единиц:

B= ( I0 )
R

при соответствующей нумерации вершин КК в векторе X̄ , IR - единичная матрица

размерности R .

Предположим также, что часть координат

xi измеряема и обозначим измеряемый

подвектор через Ȳ (размерности M ). Тогда можно ввести уравнение измерения

 3

Δ Ȳ (k )=CΔ X̄ ( k), (4)

C( M×n) C =( I M 0 )
где матрица очевидным образом составлена из нулей и единиц:

при соответствующей нумерации вершин КК в векторе X̄ , IM - единичная матрица

размерности M .
Уравнения (3), (4) образуют систему уравнений дискретной динамической системы в
пространстве состояний.
Пусть известно количество вершин, но наличие и сила связей между ними неизвестны.
Тогда весовая матрица смежности A в исходном состоянии при идентификации
полностью заполнена априори неизвестными коэффициентами

a11 a 12 . .. a 1n

(
A= a21
. ..
a n1
a 22
...
an 2
. ..
. ..
. ..
. ..
ann
)
a 2n .

Задача идентификации заключается в нахождении коэффициентов

aij в течение ИП
КК, представленного в форме модели в пространстве состояний (3), (4).

ИДЕНТИФИКАЦИЯ КК МЕТОДОМ ВЫДЕЛЯЕМОГО ПОДПРОСТРАНСТВА

Для систем в пространстве состояний наиболее часто применяются так называемые
4SID [4] методы – методы идентификации с помощью выделяемого подпространства.
Адаптируем эти методы к поставленной задаче.

Возьмем достаточно большой интервал измерений. А именно, выберем N1, N2 так,

чтобы N 2 ≥N 1 ( R+M ) и будем наблюдать входы и выходы системы на интервале времени

длиной N 2+ N 1 периодов дискретизации. Сформируем ганкелевы матрицы, составленные

из значений входа и выхода на рассматриваемом интервале:

Δ ū(0 ) Δ ū (1) … Δ ū( N 2 −1)

(5)
[
U 1 , N 1= Δ ū(1)
⋮
Δ ū (2)
⋮
Δ ū( N 1 −1) Δ ū (N 1 )
…
⋱
Δ ū( N 2 )
⋮
… Δ ū( N 2 +N 1−2) ]
,
 4

Δ Ȳ (0) Δ Ȳ (1 ) … Δ Ȳ (N 2−1 )

[
Y 1, N 1= Δ Ȳ (1)
⋮
Δ Ȳ (2 )
⋮
Δ Ȳ ( N 1 −1) Δ Ȳ ( N 1 )
…
⋱
Δ Ȳ (N 2 )
⋮
… Δ Ȳ ( N 2 +N 1 −2)

U 1 ,N
,
] (6)

выбирая тестовые сигналы Δ ū так, чтобы 1 была полноранговой и хорошо

обусловленной. Желательно также выбирать N2 так, чтобы составная матрица входов и

[U1,N ¿]¿ ¿¿
1

выходов матрица ¿ не сильно отличалась от квадратной.

Достаточно важным является вопрос о характере входных (тестовых) воздействий.
Известно, что информативными сигналами бесконечного порядка являются сигналы типа

белого шума или δ -функции. Поэтому использовать следует те интервалы, которые

содержат входные сигналы, внешне более всего похожие на них. Те интервалы, где входные
сигналы либо малы по амплитуде, либо слабо изменяются, можно исключить. В наших
исследованиях в качестве входных сигналов будет использоваться белый шум.

[U1,N ¿]¿ ¿¿
1

Осуществим RQ-разложение составной матрицы ¿ с блочным представлением

разложения в виде

[U 1 , N ¿] ¿ ¿ ¿ 1

¿
Для блока R22 вычислим его SVD-разложение, т.е.
T
R22=U⋅Σ⋅V , (7)

где Σ – квадратная диагональная матрица, состоящая из сингулярных чисел R22 на

главной диагонали.
Представим матрицы разложения (7) в следующем блочном виде:
0 V T1
R22=[ U 1 U 2 ]⋅
[ Σ1
0
⋅
Σ 2 V T2][ ] ,

где матрица U1 имеет размерность N 1 M×n , матрица U2 имеет размерность

N 1 M×( N 1 M −n) , матрица Σ1 – n×n , Σ2 – ( N 1 M−n )×( N 1 M −n) .

Соответствующая размерность у матриц V 1 и V 2 .

 5

Булем искать некоторую реализацию ( A ' , B' , C ' ) системы (3), (4) согласно теории

реализаций, не пытаясь сразу найти исходную систему ( A ,B ,C ) . Матрицу A

'
находим
из переопределенной системы матричных уравнений
'
U (1) (2)
1 A =U 1 ,
(8)

где матрица
(1)
U1 – есть подматрица матрицы U 1 , у которой вычеркнуты последние

M строк, а матрица U (2
1
)
– есть подматрица матрицы
U n , у которой вычеркнуты

первые M строк. При получении (8) использовалось сво инвариантности.

При этом матрицу U 1 считаем матрицей наблюдаемости для некоторой реализации,

что следует из теории реализаций. Тогда матрицей C' для этой же реализации будет

матрица, состоящая из первых M строк матрицы U 1 .

T −1
Для нахождения B
'
введем вспомогательную матрицу Ξ=U 2 R 21 R11 (тестовые

сигналы должны выбираться так, чтобы R11 была обратима) и решим уравнение

U T2 (1:M) U T2 (M+1:2M) … U T2 (M(N 2−1)+1:MN 2 )

(9)
[
¿
U T2 (M+1:2M)
⋮
U T2 (2M+1:3M) … 0
⋮
U T2 (M(N 1−1)+1:MN 1) 0
⋱ ⋮
…0
]
׿¿ ×
IM 0
[ ] ׿ [ 0 ¿] ¿ ¿
0 U (1)1 ¿ ¿

где для всех матриц D(a:b) обозначает подматрицу матрицы D с a -го по b -ый
столбцы.
Таким образом, система идентифицирована. Однако для практического использования

результатов необходимо перейти к исходной реализации, т.е. той, в которой матрицы B, C

IR
имеют известный вид
B= ( )
0 и
C =( I M 0 )
. Для этого воспользуемся уравнениями из
теории реализаций, связывающими различные реализации между собой с помощью
невырожденной матрицы преобразования T :
 6

−1 '
A=T AT , (10)
'
B ' =TB , C=С T . (11)

Для нахождения матрицы T , связывающей исходную реализацию ( A ,B ,C ) и

полученную реализацию ( A ' , B' , C ' ) , необходимо решить систему уравнений (11), в

которой неизвестной матрицей является только T размерности n×n . Система

недоопределена, если количество неизвестных больше, чем количество уравнений, т.е. в

данном случае, если n2 > n+ M , что выполняется практически всегда. Таким образом,

достаточно найти любое из множества ее решений, чтобы получить T , после чего из (10)

найти A в исходной реализации.

Для оценки качества идентификации коэффициентов матрицы смежности КК
сравнение исходной и полученной матриц A не всегда целесообразно, поскольку метод
выделяемого подпространства обеспечивает эквивалентность по выходу исходной и
идентифицированной систем, т.е. на любое одинаковое входное воздействие обе модели
дают одинаковый отклик, но не гарантирует идентичность реализаций матрицы состояния.
Поэтому сравнение исходной и идентифицированной систем желательно проводить на
основе некоторых инвариантов, не зависящих от конкретной реализации. Из (10) очевидно,
что самыми естественными инвариантами являются собственные числа, которые идентичны
'
у пары A , A .
Кроме собственных чисел управляемая и наблюдаемая система (3), (4) имеет и другие,

которые можно записать в явном виде, если матрица A имеет реализацию в жордановой
форме (переход к которой является стандартной задачей). Для простоты рассмотрим случай,

когда у системы нет кратных собственных значений. Тогда матрица A имеет

действительную жорданову структуру
A=diag( J 1 , …, J P ) ,

где
α p −β p
J p=
( βp αp ) , p=1, P .
Здесь использована унифицированная форма записи, объединяющая действительные
и комплексные собственные значения. Действительным собственным значениям

соответствует
β p =0 . Кроме того, удаляются соответствующие строки и столбцы у
 7

матрицы A , чтобы J p =α p . Пусть матрицы B и C (при жордановой реализации

c s c s
матрицы A ) формируются из коэффициентов brp , brp , c mp , c mp по следующему
правилу

(C=¿c1¿)(c2¿)(⋮¿)(cm¿)(⋮¿) ¿
B=( b1 b 2 … br … b R ) , ¿ ,

где br – вектор-столбец,
cm – вектор-строка, которые записываются как
c s c s c s
bTr =(b cr1 bsr 1 b cr 2 brs 2 … b crP b srP ) , c m=(c m 1 c m 1 c m 2 c m 2 … c mP c mP ) , в случае действительных

собственных чисел коэффициенты с верхним индексом s отсутствуют.

Тогда описание системы в виде соотношений вход-выход, основанное на формуле

Коши, запишется как

k R P
y m (k )=∑ ∑∑ hmr
p ( k− j)u r ( j)
j=0 r=1 p=1 , m=1, M ,
mr rc rs
где h p (s)= ρ p [ f mp cosω p ( s−1)+f mp sin ω p ( s−1 )] ,

f rcmp=ccmp b crp +c smp bsrp ,

(12)
rs c s s c
f mp=cmp b rp −c mp b rp ,
(13)
αp β
ω p=arccos =arcsin p 2 2
ρp ρ p , ρ p = α p +β p . √
rc rs
Тогда инвариантами системы являются числа f mp , f mp , вычисляемые по (12), (13),

m=1,...,M , r=1,...,R, p=1,...,P, для действительных собственных чисел

rs
соответствующие f mp отсутствуют (равны нулю).

ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
 8

Cерия экспериментальных вычислительных исследований была проведена на основе

КК деятельности IT компании (рис .1) [4].

Рис. 1.
В этой КК следующие вершины измеряемы: 1 – длительность разработки проекта; 2 –
затраты на инновации; 3 – Зарплата, премии, бонусы; 4 – бюджет проекта; 5 – прибыль; 6 –
затраты на функционирование группы менеджеров; 7 – затраты на маркетинг; 8 – продажа
однотипных проектов; 9 – затраты на проведение переаттестации; 10 – затраты на
повышение квалификации. Неизмеряемые вершины: 11 – технический контроль; 12 –
интеллектуальные активы; 13 – качество проекта; 14 – конкурентоспособность; 15 –
удовлетворенность работой; 16 – обмен опытом, информационное взаимодействие. Тестовые
сигналы могут подаваться на вершины 2, 3, 4, 6, 7, 9 и 10.
После приведения уравнения импульсного процесса этой КК к форме модели в
пространстве состояний (3), (4) получим:
 9

0 −0,4 −0,4 0 0 −0,2 0 0 0 0 0 −0,3 0 0 −0,2 0

0 0 0 0 0,2 0,3 0 0 0 0 0 0,3 0 0 0 0

( )
0 0 0 0,2 0,2 0 0 0 0 0 0 0 0 0 0 0
0 0,3 1 0,2 0 0 0 0 0,1 0,2 0 0 0 0 0 0
−0,5 0 0 −1 0 0 0 0,8 0 0 0 0 0 0 0 0
0 0 0 0 0 ,15 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0,2 0 0 0 0 0 0 0 0 0 0 0
A= 0 0 0 0 0 0 0,5 0 0 0 0 0 0,5 0,6 0 0 ,
0 0 0 0 0 ,05 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0,1 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0, 05 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0,3 0 , 25 0 0,2 0 0 0,4 0 ,25
0 0,7 0 0 0 0 0 0 0 0 0,3 0,5 0 0 0,4 0
0 0 0 0 0 0 0,6 0 0 0 0 0 0,8 0,2 0 0
0 0 1 0 0 0 0 0 0 0,3 0 0 0 0 0 0
0 0 0 0 0 0,5 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0
1 0 0 0 0 0 0

( )
0 1 0 0 0 0 0
0 0 1 0 0 0 0
0 0 0 0 0 0 0
0 0 0 1 0 0 0
0 0 0 0 1 0 0
0 0 0 0 0 0 0
B= ,
0 0 0 0 0 1 0
0 0 0 0 0 0 1
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
 10

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

( )
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
C= .
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

Пусть сначала все координаты измеряются точно. Подадим тестовые сигналы в виде
белого шума с единичной дисперсией на 7 вышеперечисленных вершин и будем измерять 10
выходных координаты КК на протяжении 500 периодов дискретизации. Во-первых,
убедимся, что идентифицированная КК соответствует реальной по выходу в режиме
импульсных процессов (на рис. 2 сплошная линия – реальная система, пунктирная линия -
идентифицированная).

y1 y2 y3 y4
3
1 1
1 2
0.5
0 0 1
0
0
-1
-0.5 -1
-1
-2
-1
5 10 15 20 5 10 15 20 5 10 15 20 5 10 15 20

y5 y6 y7 y8
1 2
0.5
0
0 1 0

-1 -0.5 -1
0
-1
-2
-1 -2
5 10 15 20 5 10 15 20 5 10 15 20 5 10 15 20

y9 y 10

1
1
0

0 -1

-2
-1
5 10 15 20 5 10 15 20

Рис. 2
Рассмотрим первую группу инвариантов – собственные числа матрицы смежности
КК. В исходной (реальной) системе они таковы (табл. 1):

0,729817358793173
 11

0,288473607378827 + 0,545877212297539i

0,288473607378827 - 0,545877212297539i

0,504529567265151

-0,595168489665732

0,0534731799408301 + 0,389920339850528i

0,0534731799408301 - 0,389920339850528i

-0,275361797240735 + 0,212821392357389i

-0,275361797240735 - 0,212821392357389i

-0,209793520825393

0,0374451042749558

-1,95541830461056e-16 + 9,03643387627237e-10i

-1,95541830461056e-16 - 9,03643387627237e-10i

1,71271169154324e-16

-2,82703848340360e-16

7,56176002022082e-17

Табл.1
Вероятно, что последние 5 собственных чисел из табл. 1 на самом деле являются
нулем кратности 5, что существенно усложняет сравнение инвариантов. Поэтому будем в
первую очередь в дальнейшем при анализе рассматривать первые 10 собственных значений,
как определяющих для динамики импульсного процесса КК.
Будем сравнивать инвариантный вектор собственных чисел идентифицированной и
исходной КК при различных условиях. Для сравнения предложена следующая метрика. Оба
вектора сортируются по абсолютным значениям, находится их разность и берется
максимальное по модулю значение вектора разностей. В случае, когда структура
собственных значений не нарушена, эта метрика показывает максимальное отклонение
полученных значений от истинных.
На рис. 3 показана зависимость предложенной метрики от количества измеряемых
координат. Для надежности результатов анализа были построены 10 моделей при разных
входных воздействиях и произведено усреднение. При 10 измеряемых координатах (как в
описанном выше примере) ошибка составляет 0,0067, что можно считать вполне
удовлетворительным. Когда количество измеряемых вершин составляет 4 и меньше, ошибка
начинает существенно расти.
 12

0.05
0.05
0.04
0.04
0.03
0.03
0.02
0.02
0.01
0.01
0
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2
Количество измеряемых координат

Рис. 3
На рис. 4 показана зависимость от количества измерений для той же метрики качества
идентификации на основе точности определения собственных чисел (также после
усреднения по 10 моделям). Количество измеряемых вершин при этом составляет 10. Для
500 измерений ошибка составила 0,059. Существенный рост погрешности начинается, когда
количество измерений становится меньше 400.
0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
1000 900 800 700 600 500 400 300 200
Количество измерений

Рис. 4
На рис. 5 показана зависимость от шума измерений (в предыдущих исследованиях он
предполагался равным нулю). Будем подавать равномерно распределенный случайный шум
на все вершины с амплитудой, зависящей от максимального значения полезного сигнала, т.е.
 13

будем исследовать зависимость погрешности идентификации от отношения шума к

полезному сигналу (при 500 измерениях 10 координат).
0.50000

0.45000

0.40000

0.35000

0.30000

0.25000

0.20000

0.15000

0.10000

0.05000

0.00000
0% 1% 2% 5% 10% 20%
Отношение амплитуды равномерно распределенного шума к максимальному
сигналу

Рис. 5
Зависимость от шума измерений особенно важна, потому представим результаты также
в табличной форме (табл. 2), указав не максимальную погрешность, а сами
идентифицированные моды системы. В «шапке» таблицы – абсолютные значения амплитуды
шума.
0 1,00E-14 1,00E-10 1,00E-05

0,729990838616750 + 0,729990838616752 + 0,729795701554137 + 0,729991153904236 +

0,00000000000000i 0,00000000000000i 0,00000000000000i 0,00000000000000i

0,288527551393047 + 0,504361922199503 + 0,288425185463485 + 0,288525198162765 +

0,546013552369764i 0,00000000000000i 0,545841676379809i 0,546013875258183i

0,288527551393047 - 0,288527551393046 + 0,288425185463485 - 0,288525198162765 -

0,546013552369764i 0,546013552369763i 0,545841676379809i 0,546013875258183i

0,504361922199501 + 0,288527551393046 - 0,504727440971184 + 0,504362027516735 +

0,00000000000000i 0,546013552369763i 0,00000000000000i 0,00000000000000i

-0,595167227890913 + -0,595167227890916 + -0,595212059904572 -0,595168251524833 +

0,00000000000000i 0,00000000000000i + 0,00000000000000i 0,00000000000000i

0,0534059512435629 + 0,0534059512435720 + 0,0531856330760910 0,0534124939792743 +

0,389763957407337i 0,389763957407340i + 0,389823025408581i 0,389765316747699i

0,0534059512435629 - 0,0534059512435720 - 0,0531856330760910 - 0,0534124939792743 -

0,389763957407337i 0,389763957407340i 0,389823025408581i 0,389765316747699i
 14

-0,275098990019907 + -0,275098990019885 + -0,275481781185811 -0,275078260183521 +

0,213125022452357i 0,213125022452346i + 0,212239094334225i 0,213111222276663i

-0,275098990019907 - -0,275098990019885 - -0,275481781185811 - -0,275078260183521 -

0,213125022452357i 0,213125022452346i 0,212239094334225i 0,213111222276663i

-0,211145050250800 + -0,211145050250820 + -0,208941997309267 -0,211156370940011 +

0,00000000000000i 0,00000000000000i + 0,00000000000000i 0,00000000000000i

0,0374188299453503 + 0,0374188299453380 + 0,0374653239841545 0,0374077126848873 +

0,00000000000000i 0,00000000000000i + 0,00000000000000i 0,00000000000000i

-
0,000853598779548921 0,000853598779766390 0,00808130305896758 -0,00137761954985350
+ 0,00000000000000i + 0,00000000000000i + 0,00000000000000i + 0,00000000000000i

- -
0,000765459607735681 0,000765459608667301 0,00770399293877252 0,00100933752150903
+ 0,00000000000000i + 0,00000000000000i + 0,00000000000000i + 0,00000000000000i

3,62004525836301e-
-3,46232972558093e-13 -1,14730616044168e-15 10 + 0,000244542992428858
+ 0,00000000000000i + 0,00000000000000i 0,00000000000000i + 0,00000000000000i

5,45925393953776e-14 -2,45971146842435e-
-8,38294372987105e-15 + 3,19610528245246e- 11 + 1,07321950169192e-06
+ 0,00000000000000i 14i 0,00000000000000i + 0,00000000000000i

5,45925393953776e-14 -1,43698326020234e-
-9,65897357673646e-17 - 3,19610528245246e- 11 + 6,04341025062634e-06
+ 0,00000000000000i 14i 0,00000000000000i + 0,00000000000000i

Табл. 2

Итак, начиная с шума порядка 10−5 , погрешность по некоторым модам становится

значительной, дальше начинает распадаться структура собственных значений (комплексные
пары превращаются в действительные собственные значения и т.д.).
Также были рассчитаны инварианты второй группы на основе формул (12), (13).
Количество этих инвариантов очень велико: например, если рассматривать 10 измеряемых
координат, при 7 тестовых сигналах получим 1120 инвариантов. Поэтому в работе не будут
приводиться результаты анализа на их основании. Однако в целом следует сказать, что
заметное расхождение этих инвариантов для идентифицированной и исходной систем
−5
начинается при уровне шума также около 10 .

ЗАКЛЮЧЕНИЕ
 15

В работе исследована проблема идентификации весовых коэффициентов матрицы

смежности КК при условии, что часть вершин КК неизмеряема. Для этого был использован
метод выделяемого подпространства (4SID), который позволяет найти сначала некоторую
реализацию системы в пространстве состояний, а потом вернуться к исходной, которая
определяется специфическим видом матриц управления и наблюдения в случае ИП КК. При
этом идентифицированная и исходная системы одинаковы по выходу, т.е. измеряемы
координаты реагируют одинаково на одни и те же тестовые сигналы.
Был проведен глубокий анализ качества идентификации путем сравнения серии
инвариантов исходной и идентифицированной систем. В результате исследования можно
сделать вывод, что метод работает эффективно, но только при определенных условиях и
ограничениях. Его эффективность во многом зависит от количества измерений, количества
измеренных координат узлов и особенно от шума измерений. На самом деле, даже без шума
измерений идентификация не является абсолютно точной из-за вычислительной
погрешности, которая существенна для многомерных сложных систем (например, 16-мерной
−5
КК). Когда шум превышает определенный порог (около 10 в данном случае, но в общем
это зависит от структуры КК), точная идентификация становится невозможной. Это не
является недостатком предложенного метода, но неизбежным свойством любого метода
идентификации, так как, начиная с некоторого порога, задача становится некорректной.
Таким образом, предложенный метод рекомендуется применять для идентификации КК при
достаточном количестве измерений с низким уровнем шума. Метод для общего случая будет
разработан в процессе дальнейших исследований.

ЛИТЕРАТУРА

1. Roberts F. Discrete Mathematical Models with Applications to Social, Biological, and

Environmental Problems.– Englewood Cliffs: Prentice-Hall, 1976.

2. В.Ф. Губарев, В.Д. Романенко, Ю.Л. Милявский. Идентификация в когнитивных картах в

режиме импульсных процессов при полной информации // Проблемы управления и
информатики. – 2018. – № 4. – С. 30–43.

3. Verhagen M., Dewilde P., Subspace model identification. Part I: the output-error state space
model identification class of algorithms // Int. J. Control. – 1992. – № 56. – Р. 1187–1210.

4. Романенко В.Д., Милявский Ю.Л., Поляков М.В., Лецер Ю.А., Шевченко Г.Я.
Исследование сценариев развития IT-компании на основе принятия решений в режиме
 16

управления импульсными процессами когнитивных карт. Тезисы докладов 1-го

международного научно-практического форума "Наука и бизнес", 2015 г. – С. 233–237.
 17

УДК 62.50. Ю.Л. Милявский. Идентификация в когнитивных картах в режиме импульсных

процессов при неполном измерении координат вершин.
Исследована задача идентификации весовых коэффициентов матриц смежности
когнитивных карт в случае, когда часть координат вершин не измеряется. Предложен метод
идентификации, основывающийся на 4SID методе. Проанализированы инварианты исходной
и идентифицированной систем. Рассмотрен практический пример идентификации
когнитивной карты IT компании. Показано, при каких условиях предложенный метод
применим.

УДК 62.50. Ю.Л. Мілявський. Ідентифікація в когнітивних картах у режимі імпульсних

процесів при неповному вимірюванні координат вершин.
Досліджено задачу ідентифікації вагових коефіцієнтів матриць суміжності когнітивних карт
у разі, коли частина координат вершин не вимірюється. Запропоновано метод ідентифікації,
що базується на 4SID методі. Проаналізовано інваріанти вихідної та ідентифікованої систем.
Розглянуто практичний приклад ідентифікації когнітивної карти IT компанії. Показано, за
яких умов можна застосовувати запропонований метод.

UDC 62.50. Y. Milyavsky. Identification in cognitive maps in the impulse process mode in case of
incompletely measured nodes coordinates.
The problem of identifying weights of cognitive maps incidence matrices in the case when some of
the nodes coordinates are unmeasurable is investigated. Identification method based on 4SID
method is suggested. Invariants of the original and identified systems are analyzed. Practical
example of identifying a cognitive map of an IT company is considered. Conditions when the
suggested method is applicable are demonstrated.