Петров В., Воронов Г. Новый подход к вепольному (структурному) анализу

Новый подход к вепольному (структурному) анализу

Петров В., Воронов Г.
Доклад включает две части.
Первая часть. Тенденции развития форсированного веполя
Тенденция развития форсированного веполя рассматривает отдельно тенденции форсирования вещества, поля и структуры. В докладе рассматриваются каждая из тенденций и общая схема развития веполей.
Эта часть уже описана в виде доклада на русском и английском языках и может быть представлена в любой момент.
Вторая часть. Структурный анализ для систем обработки информации.
Представляется новая структура вепольного анализа для систем обработки информации.
Эта структура включает три компоненты: данные (дата), функцию и знание (Data, Function, KnowledgeDFK).
Модель, включающую данные, функцию и знания будем называть ДФЗ (DFK). Методику анализ и преобразования DFK будем назвать DFK анализ.
В системах обработки информации, мы имеем дело с данными и функциями.
Данные– это часть информации, поступающей в систему.
Функция– это действие по обработкеданных в системе. Знание – это совокупность обоснованной, доказательной, импирической и воспроизводимой информации.Главное отличие знаний от данных состоит в их структуризации и активности.Знания доступны вне связи с поступающими данными и задаются во время разработки системы или ее обновления. Появление в базе новых факторов или установление новых связей может стать источником изменений в принятии решений.
Система не управляема, если функция постоянна и не зависит от данных. Этот случай можно представить как неполный DFK(1):

Data
                          Function

(1)
Как правило, имеются некоторые предварительные знания, которые могут быть использованы для корректировки функций в соответствии с классом входных данных. Такую модель будем называть полный DFK,простой DFK или DFK. Эту модельможно представить в виде (2):

                                  Data
    Knowledge                                  Function
 

(2)

Система может адаптировать свои функции путем анализа входных данных и выбора наилучшей стратегии обработки данных. Такую структуру будем называть адаптивным DFK.Она может быть представлена в виде (3):

                                      Data
            Knowledge                         Function
 

(3)

 
 
 
 
  Эта концепция может помочь исследовать различные системы обработки информации, определять эффективность их работы и выбрать путь для улучшения идеальноститаких систем.
Примеры
Рассмотрим систему сжатия данных.
1. Тип входных данных неизвестен. В этом случае, единственным надежным подходом является метод сжатия без потерь. При этом осуществляется относительно низкая степень сжатия. Эта система не использует знаний, поэтому это неполный DFK (1).
2. Если тип данных известен (например, изображение или звук), то для этого типа данных может быть использована конкретная схема сжатия (например, JPEG для изображений и MP3 для аудио потоков). Выбранная схема сжатия использует структуру данных, что позволяет осуществить более высокую степень сжатия данных по сравнению с первым примером. Эта схема использует только внешние знания, полученные извне системы, без какого-либо анализа входных данных. Это пример просто DFK (2).
3. Наилучшая производительность сжатия может быть осуществлена путем анализа входных данных и определения типа данных (например, фото, рисунок, текст и т.д.). Выбирается наилучший метод сжатия для конкретного типа данных. Эта система использует как внешние знания, полученные извне системы, так и внутренние знания, собранные путем анализа входных данных. Это пример адаптивного DFK (3).