Открыть Электронные книги
Категории
Открыть Аудиокниги
Категории
Открыть Журналы
Категории
Открыть Документы
Категории
50
Ю.Л. Милявский
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
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)
a11 a 12 . .. a 1n
(
A= a21
. ..
a n1
a 22
...
an 2
. ..
. ..
. ..
. ..
ann
)
a 2n .
(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)
[U1,N ¿]¿ ¿¿
1
[U1,N ¿]¿ ¿¿
1
[U 1 , N ¿] ¿ ¿ ¿ 1
¿
Для блока R22 вычислим его SVD-разложение, т.е.
T
R22=U⋅Σ⋅V , (7)
Булем искать некоторую реализацию ( A ' , B' , C ' ) системы (3), (4) согласно теории
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
что следует из теории реализаций. Тогда матрицей C' для этой же реализации будет
сигналы должны выбираться так, чтобы R11 была обратима) и решим уравнение
(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
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)
полученную реализацию ( A ' , B' , C ' ) , необходимо решить систему уравнений (11), 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)
которые можно записать в явном виде, если матрица A имеет реализацию в жордановой
форме (переход к которой является стандартной задачей). Для простоты рассмотрим случай,
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
(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
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 )] ,
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
8
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 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
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
-
0,000853598779548921 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
ЗАКЛЮЧЕНИЕ
15
ЛИТЕРАТУРА
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
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.