Вследствие трудности построения строгих математических моделей технологических, биомедицинских и экономических объектов получили своё развитие методы прогнозирования состояния на основе статистического анализа. Сложность анализируемого объекта эквивалентна его информационной ёмкости. Максимальная ёмкость достигается, если все состояния объекта равновероятны. Относительная неопределённость информации, получаемой решающей системой, затрудняет принятие решения о состоянии объекта. Для надёжного предсказания состояния объекта измеряется несколько его признаков, диапазон измерения разбивается на градации, а в пределах каждой градации производится усреднение сигнала. Далее решают две задачи: обнаружения (выявление отклонения функционирования объекта от нормального режима), и распознавания (оценка степени отклонения от нормы). Число градаций признака тесно связано с мощностью обучающей выборки (не менее 40). При описании системы с 8–30 признаками и мощностью обучающей выборки от 40 до 120, методика, включающая в себя формализацию признаков на первом этапе, отбор с помощью корреляционного анализа наиболее информативных признаков на втором этапе и классификацию состояния объекта методом кластерного анализа позволили правильно диагностировать состояние системы в аварийном режиме с точностью от 89 до 98 %. Предложенный информационный подход позволяет осуществлять классификацию и прогнозирование технических, экономических и биомедицинских систем любой сложности, что открывает возможности предсказания поведения таких систем и управления при появлении помех.

информационная ёмкость, обучающая выборка, градации, классификация состояния

1. Базарский О.В., Коржик Ю.В. Система признаков для анализа и распознавания изображений случайных пространственных текстур // Исследования Земли из космоса, 1985. № 6. С. 101–105.

2. Балашова Е.А., Жданова Ю.А., Минаев Н.Н. Иерархический кластер-анализ для автоматизированной диагностики состояния объекта по совокупности качественных признаков // Системы управления и информационные технологии. 2005. T. 22. № 5. С. 4–10.

3. Балашова Е.А., Битюков В.К., Саввина Е.А. Сравнительный анализ методов классификации при прогнозировании качества хлеба. // Вестник ВГУИТ. 2013. № 1. С. 57–62.

4. Горелик А.Л.,Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты. М.: Радио и связь, 1985. 160 с.

5. Крамаренко С.С. Метод использования энтропийно-информационного анализа для количественных признаков // Известия Самарского научного центра Российской академии наук. 2005. Т. 7. №. 1.

6. Крамаренко С.С., Луговой С.И. Использование энтропийно-информационного анализа для оценки воспроизводительных качеств свиноматок // Вестник Алтайского государственного аграрного университета. 2013. Т. 2. № 9. С. 58–62.

7. Рогозина М.А., Подвигин С.Н., Балашова Е.А. Выявление информативных показателей и автоматизированная диагностика пограничных психических расстройств у студентов медицинского вуза // Системный анализ и управление в биомедицинских системах. 2009. Т. 8. № 3. С. 772–775

8. Худякова О.В., Битюкова В.В., Балашова Е.А. Автоматизированная классификация тактики лечения врожденной фоновой патологии шейки матки // Системный анализ и управление в биомедицинских системах. 2009. Т. 8. № 2. С. 414–419

9. Chater N., Tenenbaum J. B., Yuille A. Probabilistic models of cognition // Conceptual foundations.2006. V. 10. № 7. P. 287–291. DOI: http://dx.doi.org/10.1016/j.tics.2006.05.007

10. Cassandras C.G., Lygeros J. et al. Stochastic hybrid systems // CRC Press. 2006. V. 24. Bianchi L. et al. A survey on metaheuristics for stochastic combinatorial optimization // Natural Computing: an international journal. 2009. V. 8. №. 2. P. 239–287. DOI 10.1007/s11047–008–9098–4

11. Garcia S. et al. A survey of discretization techniques: Taxonomy and empirical analysis in supervised learning //Knowledge and Data Engineering, IEEE Transactions on. 2013. V. 25. №. 4. P. 734–775