Реєстрація експериментальних даних та її зв’язок із наступним обробленням

Результати довільного експерименту фіксуються у тій чи іншій формі, а далі використовуються для тієї цілі, заради котрої і виконувався експеримент. Іноді ці операції суміщені у часі, наприклад при автоматичному управлінні виробничим процесом, при автоматизації експериментів в реальному часі і т. д. У деяких же видах людської практики (наукові дослідження; системний аналіз; контроль, ревізія, слідство та інші види адміністративної діяльності; учбові експерименти і інше) оброблення експериментальних даних являється окремим, самостійним етапом, проміжним між етапами отримання інформації (виміри) та її використання (прийняття рішень та їх виконання).у таких випадках вихідною інформацією для оброблення являються протоколи спостережень (інколи називають матрицями даних, експериментальними таблицями).

Характер самих протоколів спостережень та методи їх оброблення залежать від того, яка модель, для уточнення котрої ставиться експеримент: фактично оброблення даних – це просто перетворення інформації до вигляду, зручному для використання, переклад відповідей природи з мови вимірів на мову моделі. Наші знання можуть бути як первинними, грубими, так і далеко просунутими, добре структурованими, хоча їх треба уточнити. Відповідні два типи моделей різні автори називають по-різному, залежно від того, котрий аспект вони хочуть підкреслити: дескриптивні та конструктивні, якісні та кількісні, декларативні та процесуальні, класифікаційні та числові. Ми користуємося останніми термінами: відмітимо, що в них відображена і та різниця, що класифікаційні моделі описують множину різних об’єктів, а числові – один об’єкт (або множину схожих об’єктів). Відмітимо також, що у класифікаційній моделі можуть брати участь кількісні змінні, і це не змінює її якісний характер (наприклад, діагноз хворому ставиться на підставі кількісних аналізів); аналогічно, в числових моделях частина змінних може вимірюватися у слабких шкалах.

Класифікаційні моделі

Класифікаційні моделі являються основополягающими, первинними, вихідними формами знання. Пізнавання навколишніх предметів – типовий приклад класифікаційних процесів у розумовій діяльності людини (і тварин). І в науці пізнання починається із співвідношення вивчаємого об’єкта з другим, виявлення схожості та різниці між ними. Тому протоколи спостережень на класифікаційному рівні експерименту містять результати виміру ряду ознак X для підмножини A об’єктів, вибраних із множини G: кожний об’єкт ai A G має значення ознак xi = (xi0,xi1,…,xin) {X0,X1,…,Xn} = X, i = , n- число ознак, N - число об’єктів в A. Ознака характеризує конкретну властивість об’єкта, тому іноді такий протокол називають таблицею “об’єкт – властивість”.

Як вже згадувалося, способи оброблення протоколу залежать від мети оброблення. Часто виявляється, що задача може бути сформульованою як визначення по спостерігаємій значенням ознаки x= (xi0,xi1,…,xin) значення не спостерігаємої (“цільової”) ознаки x0. Як правило, цільовими ознаками являються ті параметри моделі, котрі вимагається уточнити по експериментальним даним.

Типи задач для класифікаційних моделей

Кластерізація (пошук “істотного” групування об’єктів). Не задані а ні границі класів в просторі ознак, а ні число класів. Треба їх визначити виходячи із “близькості”, “схожості” або “різниці” описів об’єктів xi = (xi0,xi1,…,xin). Компоненти вектора X0 – ознаки кластера, значення котрих підлягають визначенню.

Класифікація (розпізнавання образів). Число класів задане. Якщо також задані границі між класами, то маємо апріорну класифікацію; якщо границі вимагається знайти, оцінити по класифікаційним прикладам, то задача називається розпізнаванням образів по навчальній вибірці. Цільова ознака X0 має значення в номінальній шкалі (імена класів).

Впорядкування об’єктів. Вимагається встановити відношення порядку між х10, х20,...,xn0j (або деякої їх частини) по визначеному критерію переваги.

Зменшення розмірності моделі. Класифікаційні моделі як першопочаткові “сирі”, враховують множину припущень, котрі ще треба перевірити. Так сам список ознак формується евристично, часто із “запасом”, і виявляється досить довгим, але головне надлишковим, містить “дублюючі” та “шумові” ознаки. Тому одна з важливих задач вдосконалення моделей полягає у зменшенні розмірності моделі за допомогою відбору найбільш інформативних ознак, “склеювання” декількох ознак в одну і т.п.

Числові моделі

Числові моделі відрізняються від класифікаційних тим, що: 1) цільові ознаки вимірюються в числових шкалах; 2) числа являють собою функціонали або функції котрі не обов’язково всі являються числовими); 3) в них достатньо частіше враховуються зв’язки змінних в часі (в класифікаційних задачах час іноді навіть називають “забутою” змінною). Зв’язку з цим і протоколи спостережень можуть не обов’язково відноситись до множини об’єктів: модель можна уточняти і по експериментам з одним об’єктом в різні моменти часу.

Типові задачі для числових моделей.

Непрямі виміри (оцінка параметрів). Вимагається визначити значення x0 по заданій множині {xij}. На відміну від класифікації x0 вимірюється не в номінальній, а в числовій шкалі. Якщо {xij} визначені до якогось моменту t0, а x0 вимагається оцінити для t > t0, то задача називається прогнозуванням (Прогнозування має смисл і в задачі класифікації; наприклад, рання діагностика захворювання).

Пошук екстремуму (планування експерименту). Вважається, що є можливість покрокової зміни величин {xij(tk)}, tk = t0 + kДt, k = 0, 1, 2, ... . Вимагається змінити їх так, щоби нарешті отримати екстремальне значення цільової ознаки x0.

Особливості протоколів спостережень

Велика розмірність. В багатьох дослідженнях число об’єктів і число ознак великі, так що добуток досягає декількох десятинних порядків. Врахування часу призводить