Формирование базы знаний на основе выделения типовых состояний сложной системы

В данной статье представлен подход для формирования базы знаний, описывающей поведение сложной системы. Для того, чтобы описать это поведение вводится система показателей. Предполагается, что в результате их наблюдения формируются временные ряды. На основе кусочно-линейной аппроксимации выделяются такие временные промежутки, внутри которых линейные тренды временных рядов не изменяются. Данные промежутки определяют некоторое состояние сложной системы. Для формального описания состояний используются кодовые векторы, которые формируются на основе лингвистической шкалы. Ее градации определяют базисные направления линейных трендов. Каждому базисному направлению соответствует целочисленный код. Близость угла наклона линейного тренда к базисному направлению определяется с помощью функции принадлежности. Для выделения типовых состояний предлагается использовать кластерную процедуру. Анализ подходящих методов позволил выделить в качестве такой процедуры метод декомпозиционного дерева. Его преимуществом является то, что он позволяет сгенерировать все возможные разбиения заданного множества состояний. На данном этапе возникает проблема выбора оптимального разбиения. В данной статье под оптимальным подразумевается такое разбиение, которое содержит как можно больше классов, встречающихся в декомпозиционном дереве. Такие классы проявляют устойчивость в некотором смысле. Оптимальному разбиению соответствует определенный уровень декомпозиционного дерева, а классам разбиения — типовые состояния сложной системы. В рамках предположения, что показатели системы зависят от некоторого множества факторов, формируется база продукционных правил. Заключения данных правил содержат термы или функции, которые соответствуют факторам. Предложенный подход апробирован в среде FuzzyClips для анализа инвестиционного портфеля.