Вопросы для самопроверки. Интеллектуальные методы интегральной оценки качества интеллектуальных ресурсов организаций на основе принципов и алгоритмов многомерной размытой

Интеллектуальные методы интегральной оценки качества интеллектуальных ресурсов организаций на основе принципов и алгоритмов многомерной размытой классификации

Методика оценки интеллектуальных ресурсов организации на основе применения методов нечёткой классификации. Для практического осуществления необходимых мер по повышению эффективности использования развития интеллектуальных ресурсов организации, необходима разработка инструментальных средств диагностики их состояния. Особенностью данной методики, как следует из представленного выше анализа, является полифункциональный и многоуровневый подход. Наличие качественных и количественных параметров определяет необходимость применения классификационных методов их определения.

В общем виде задача классификации отдельных компонент интеллектуальных ресурсов организации (далее объектов состоит в том, чтобы качественные или порядковые отношения в данных сходства объектов обучающей выборки преобразовать с достаточной определенностью в количественную метрическую структуру в пространстве, отражающую в некотором приближении классификационные отношения эксперта. Известные статистические методы анализа в этом случае оказываются неприменимы в первую очередь из-за нарушения аксиом классической вероятностной схемы, это определяет необходимость поиска новых постановок задач классификации. Большие возможности в этом плане открываются с использованием теории нечетких множеств.

Однако, как показывает анализ, задачи в вышеуказанной постановке (при наличии многомерной, разнородной структуры нечетких исходных данных) не имеют строгого аксиоматического обоснования в рамках теории нечетких множеств. Сложность решения подобных задач связана, в первую очередь, не только с нечеткостью исходных данных, но и с неметрическим характером представления отдельных личностных характеристик членов организации в обучающей выборке. Поэтому применение для этих целей известных алгоритмов многомерной размытой классификации при наличии разнородных исходных данных оказывается также невозможным. Учитывая указанные особенности, решение задач классификации образов описания состояния интеллектуального потенциала организации следует искать в рамках совместного использования неметрических методов многомерного шкалирования и размытой классификации.

Общие принципы многомерной размытой классификации параметров интеллектуального потенциала организации. Выделим во множестве базовых параметров образов ИРО группы параметров, отличающееся типологическим содержанием, например, это могут быть строковые образы, качественные и количественные характеристики, логические условия, фрагменты синтагматической сети и т.п., (полный их перечень приведен в работах С.А.Багрецова и К.М.Оганяна). Выделим из множества образов (АР) определяющих состояние отдельных фондов ИРО группу (Z_æ), классификация которых достаточно хорошо известна (в общем случае нечетко), т.е. в отношении образов этой группы известен кортеж:

(8.1)

где - множество описаний образов состояний (АР) из ОВ;

К – множество классов состояний (АР).

Определим последовательность подобных образов как обучающую выборку (ОВ). Проблема состоит в том, чтобы на основании ОВ создать такие описания образов объектов, которые позволили бы синтезировать алгоритм их различения, учитывая многомерный, многопрофильный и нечеткий характер признаков.

Идея метода решения задачи состоит в следующем. Применяется процедура "безразмерного шкалирования" для нахождения во множестве объектов ОВ фиктивной начальной точки (b^*), относительно которой измеряется вектор расстояния между типологическими характеристиками æ-го объекта. Полный перечень методов оценки расстояний представлен в табл. 8.2. Указанные расстояния далее используются в процедурах многомерной размытой классификации как метрические переменные для определения функции принадлежности объектов ОВ определенным классам. Указанная процедура повторяется до достижения минимальных различий (ошибки распознавания) между полученным вектором нечеткой классификации объектов ОВ и исходным характеристическим вектором распределения функций принадлежности объектов ОВ по классам, определенным экспертами или полученным в результате индуктивного обучения системы.

Относительно этой точки в дальнейшем будет приводиться измерение координат классифицируемых задач. Данной точке отсчета будут соответствовать рациональные параметры шкалы классификации: центры классов и весовые коэффициенты типологически различных групп понятий в описании ОВ, т.е. .

Реализация описанного выше метода классификации совокупного ИРО требует разработки новых и анализа существующих методов оценки расстояний между однородными атрибутами описания параметров ИРО и алгоритмов расчета параметров шкал классификации уровня профессиональной пригодности. В совокупности указанные характеристики определяют базу знаний интеллектуальной системы оценки развития интеллектуальных ресурсов организации.

Для ускорения выполнения процедур над знаниями целесообразно определить их таксономию, чтобы приближенные оценки индикаторов оценок фондов ИРО можно было бы искать на множестве типичных представителей таксонов, а затем проводить более точный анализ. Имеют смысл аналоги и других задач распознавания образов на массиве знаний: выбор системы информативных предикатов при той или иной фиксированной классификации импликативных связок или продукций; построение обобщенных логических закономерностей на базе импликаций; заполнение пробелов в знаниях и т.д. Для этого необходимо иметь возможность измерять степень "близости", "похожести" между любыми двумя знаниями, сформулированными в виде распределённых числовых или качественных параметров импликаций, строковых образов и т.п.

Атрибуты описания индикаторов уровня развития ИРО характеризуются неоднородностью структуры и внутреннего содержания, что определяется разнородностью источников и способов получения информации и многообразием учитываемых признаков при формировании информационной модели развитие совокупного человеческого капитала. В интеллектуальных системах информационной поддержки принятия решений процедуры сравнения образов представления уровня развития интеллектуальных ресурсов организации (ИРО) с некоторым эталонным образом, позволяют ввести метрическую меру в оценке пространства разнородных признаков, определяющих внутреннее содержание задачи определения уровня развития человеческого капитала

Определение. Назовем подсистемой измерения любую последовательность операций, представляющую образ текущего состояния ИРО, как некоторое значение меры близости образу эталонному профилю оценки уровня его развитие в экономически развитых странах

Подсистема измерения, с помощью которой образ текущего состояния ИРО его отдельных фондов представляется мерой близости, реализуется функцией d(H(z), H(z): H(z_э)→R). Эта функция гомоморфна относительно свойств множеств H(z) и H(z_э). Она сопоставляет любой паре образов число, определяющее, на каком расстоянии друг от друга находятся эти образы с точки зрения некоторого упорядочивания. В этом случае при условии выполнения свойств неотрицательности, невырожденности, симметричности и соответствия неравенству треугольника функция R образует метрическое расстояние во множестве состояний оценок ИРО. Неоднородность признакового пространства образов не позволяет непосредственно реализовать функцию R, так как необходима свертка частных расстояний однородных признаков образов, отражающая их упорядоченность в субъективных представлениях эксперта. Полное решение этой задачи может быть найдено в процессе реализации рассматриваемого ниже алгоритма классификации при оценке уровня развития человеческого потенциала ИРО.

Ниже в сжатом виде рассматриваются алгоритмы определения частных расстояний между однородными атрибутами образов состояний ИРО. Вопросы построения метрики пространства знаний рассматривались в работе.

Методы оценки расстояний между однородными параметрами описания образов состояний интеллектуальных ресурсов организации. Для ускорения выполнения процедур над знаниями целесообразно определить их таксономию, чтобы приближенные оценки индикаторов оценок ИРО можно было бы искать на множестве типичных представителей таксонов, а затем проводить более точный анализ. Имеют смысл аналоги и других задач распознавания образов на массиве знаний: выбор системы информативных предикатов при той или иной фиксированной классификации импликативных связок или продукций; построение обобщенных логических закономерностей на базе импликаций; заполнение пробелов в знаниях и т.д. Для этого необходимо иметь возможность измерять степень "близости", "похожести" между любыми двумя знаниями, сформулированными в виде импликаций, строковых образов и т.п.

Атрибуты описания детерминант состояний уровня развития ИРО характеризуются неоднородностью структуры и внутреннего содержания, что определяется разнородностью источников и способов получения информации и многообразием учитываемых признаков при формировании информационной модели описания состояний ИРО. В интеллектуальных системах информационной поддержки принятия решений процедуры сравнения образов соответствия оцениваемых атрибутов ИРО некоторым эталонным образам, позволяют ввести метрическую меру в оценке пространства разнородных признаков, определяющих внутреннее содержание задачи оценки.

Таблица 8.2

Алгоритмы оценки расстояний между образами сложных объектов

Алгоритмы оценки расстояния между образами	Основные принципы реализации алгоритмов	Особенности практического использования
1. Алгоритмы линейной классификации (ЛК) 1.1. Алгоритм расчета коэффициентов подобия (квантифицированных коэффициентов связи) 1.2. Алгоритм расчета выборочных коэффициентов связи	Суть работы алгоритма состоит в следующем: а) градации соответствующих признаков представляют в двоичных кодах; б) определяются: числа совпадений и несовпадений нулевых и единичных признаков; в) рассчитываются коэффициенты подобия. Перечень коэффициентов подобия (КП) приведен в [7]. Выбор КП осуществляется исходя из характера решаемой задачи. Возможен вариант алгоритма, в котором параметры КП определяются для количественных признаков образов, принимающих конечное множество числовых значений [7] Оценка расстояния производится на основе расчета коэффициентов связи между образами X и M. Например [7],   d1,2(X,M)= где ραβ - коэффициент важности связи признаков α и β.	Алгоритмы используются в том случае, если образы объектов представлены векторами X=(x1, x2,...,xn), M = (m1, m2,...,mn), элементы которых действительные числа, представляющие собой градации соответствующих признаков (примитивов) Алгоритм используется для оценки расстояний между образами, представленными векторами, числовых характеристик, а также качественными значениями параметров. Его применение позволяет учесть подобие объектов, а не полное их масштабное совпадение. Например, описание результатов тестирования технических средств, где важен собственно профиль результатов выполнения отдельных шкал тестов. Алгоритм может быть использован, когда значения признаков a и b могут быть заданы числовыми или качественными признаками.

Продолжение табл. 8.2

Алгоритмы оценки расстояния между Образами	Основные принципы реализации алгоритмов	Особенности практического использования
1.3. Алгоритм расчета расстояний в метрическом пространстве 2. Алгоритм оценки меры сравнения порядка списков 3. Алгоритм расчета расстояний между образами, заданными нечетко	Суть работы алгоритма сводится к расчету выбранного (отражающего особенности решаемой задачи) показателя расстояния в метрическом пространстве. Обзор показателей приведен в [7]. Наиболее употребительные: расстояние по Хеммингу, евклидово расстояние, взвешенное евклидово расстояние, расстояние Мехаланобиса Расчет меры базируется на работе Кендала [7]. Расстояние по Кендалу вычисляется по формуле   d2 (x, м)=   1, xl > xk; где Δдл*= -1, xl < xk; 0, xl = xk; Аналогично вычисляется Δ образа эталона. Алгоритм позволяет рассчитывать нечеткие отношения сходства образов, заданных нечетко. Суть нечеткого задания образа состоит в определении на множестве переменных X (или М) функции принадлежности данному образу. Отношения сходства определяются по коэффициентам: Серенсена-Чекановского, Каккара, Кульчинского, Охнаи.	Алгоритм может быть использован для оценки расстояний между образами, геометрическая близость которых может быть истолкована как свидетельство их сходства. Используется для оценки растояния между образами, заданными последовательностью символов (качественных переменных или чисел). Списками чисел, например, можно отразить ход графика, функциональную зависимость, результаты тестирования и т.д. Данная мера отражает только форму изменения качественных величин. Важным ее свойством является нечувствительность к изменению масштаба образов. Используется для оценки расстояний между образами, заданными набором (множеством, перечислением) параметров. Особенность здесь заключается в том, что эксперт сам нечетко определяет (путем определения функции принадлежности) образ эталона. При этом и образ эталона может быть определен нечетко. Это дает возможность учесть неопределенность проявления эталонной ситуации.

Продолжение табл. 8.2

4. Алгоритм расчета расстояния Левенштейна 4.1. Алгоритм расчета расстояния Левенштейна с учетом веса преобразований и нечеткости примитивов образа (авторская разработка) 4.2. Алгоритм расчета расстояния Левенштейна без учета веса преобразований 5. Алгоритмы оценки расстояний между образами, представляемыми распределенными числовыми или качественными характеристиками,

В общем случае во всех модификациях алгоритма расстояние оценивается как наименьшее число преобразований, требуемых для получения строки образа эталона из строки образа ответа обучаемого. Обзор алгоритмов представлен в работe [7]. В алгоритме учитываются веса операций подстановки, уничтожения и создания примитивов образов. Расстояние в этом случае оценивается минимальной суммой веса преобразований [7]. В рамках алгоритма можно учесть весовые коэффициенты важности и нечеткость отдельных примитивов образа [7]. В алгоритме веса операций преобразований примитивов образа не учитываются. Возможен учет только коэффициентов важности примитивов образа. Как правило, эти коэффициенты задаются в образе эталона экспертом. Оценка расстояния между образами осуществляется по формуле d5 (X,M) = Z W H, где Z – степень идентичности распреде- лений числовых характеристик образов объекта и эталона; W - степень взаимного перекрытия числовых характеристик образов объекта и эталона; H - степень взаимной неопределенности образов.

Используются для оценки расстояния между образами, представление которых может быть осуществлено в виде строки буквенно-цифровых или символьных последовательностей. При этом в строковом образе важным является не только значение отдельного элемента (примитива), но и его положение в нем. На основе этого же алгоритма может производиться идентификация описаний СПС, выражаемых предложениями естественного языка. При этом вначале производится анализ последовательности применения ранее определенных словоформ, строится строковый образ команды, который далее используется для оценки расстояния. Используются в случаях, когда образы объекта и эталона представлены градациями числовых величин от Xmin до Xmax (число градаций конечно). Возможно применение данных алгоритмов также и для образов, примитивы которых оценены в порядковых или номинальных шкалах, т.е. качественными переменными.

Продолжение табл.8.2

Алгоритмы оценки расстояния между образами	Основные принципы реализации алгоритмов	Особенности практического использования
имеющими: 5.1. Вероятностное распределение 5.2. Нечеткое распределение 6. Алгоритмы расчета расстояний между логическими конструкциями (авторские разработки)	В первом (5.1) алгоритме предполагается, что на множестве градаций числовых величин задано распределение вероятностей Px (Pм). Во втором (5.2) алгоритме предполагается, что на множестве градаций числовых величин задано нечеткое распределение, т.е. определены функции принадлежности. В алгоритме образы объекта и эталона, выраженные в форме логических конструкций, представляются в виде совершенных дизъюнктивных нормальных форм (СДНФ). Множество простых высказываний и их отрицаний объекта и эталона образуют гипотетический мир задачи. Образы объекта и эталон далее представляются векторами (f и j), состоящими из нулей и единиц в зависимости от того, в каком элементе гипотетического мира произошло совпадение конъюнктов СДНФ объекта и эталона. Расстояние между образами определяется по значению нормированного Хэмингова расстояния, вычисляемого по формуле , где m - размерность гипотетического мира. Обзор алгоритмов рассмотрен в работах [7].	Алгоритм дает возможность более реально отразить в образах анализируемых объектов многообразие форм их описания, субъективные оценки экспертов полученных результатов, их практического опыта и т.д. Кроме этого, в подобных формах представления образов возможно создание разнообразных игровых ситуаций. Используется в разнообразных задачах, ставящих своей целью описание объекта в форме логических конструкций. Например, это могут быть задачи определения состояний отдельных фондов ИРО, выраженных совокупностей и натуральных показателей

Продолжение табл. 8.2

Алгоритмы оценки расстояния между Образами	Основные принципы реализации алгоритмов	Особенности практического использования
6.1. Алгоритм расчета расстояния между четкими логическими конструкциями 6.2. Алгоритм расчета расстояния между нечеткими логическими конструкциями	Образы объекта и эталона в алгоритме представляются нечеткими логическими выражениями. На их основе формируется нечеткий гипотетический мир и определяются нечеткие вектора f и j объекта и эталона. Хэмингово расстояние в этом случае определяется по формуле где d (ηβб ηβ) - cкалярная оценочная функция; ηβ, ηβ - значение функции принад- лежности ηφ (ηψ), определяющее сте- пень истинности конъюнкта Kβ гипотети- ческого мира с СДНФ логических выска- зываний эталона (или объекта).	Алгоритм используется в задачах, описания эталонов которых опираются на неточные или неопределенные сведения. Условия неопределенности объективно могут возникнуть в случаях появления синонимии, полисемии, недостаточности или избыточности языка описания объекта. Таковы, например, задачи принятия решения об эффективности функционирования фирмы с учетом сложности решаемых задач, наличия набора функций управления, особенностей ее программной реализации и т.д.

Таким образом, современные средства математической обработки информации позволяют решить задачи определения метрики в пространстве однородных знаний, описываемых как четкими, так и нечеткими данными. При этом возможные формы их представления (от векторов числовых величин до логических конструкций) дают возможность практически полно описывать любые составляющие параметров оценок ИРО. Однако напрямую использовать указанные методы для классификации фондов совокупного человеческого капитала не представляет возможным в виду разнородности определяющих их параметров. Необходимо применение иных методов таксономии, основанных на алгоритмах размытой классификации (в модификации, рассматриваемой ниже), позволяет осуществить эффективное агрегирование больших массивов знаний, описываемых неоднородными в общем случае нечеткими признаками.

Методика многомерной размытой классификации компонент совокупного человеческого капитала. Сущность решаемых этим алгоритмом задач может быть определена следующим образом: необходимо на основании данных ОВ, представляемых кортежем

определить размытые центры классов {V_n} и весовые коэффициенты {λ_n} интегральной шкалы оценок состояний компонент (фондов) ИП

Обозначим

Принципиальной особенностью этих задач является их нечеткость, которая проявляется, с одной стороны, в нечеткости отношений предпочтения объектов обучающей выборки тем или иным классам, а с другой - нечеткостью выделения и измерения самих признаков (параметров) этих объектов, в пространстве которых производится классификация. В имеющейся литературе по нечеткой классификации учитывается только лишь первый признак нечеткости, отражающий нечеткость имеющихся знаний о классификации объектов, описываемых некоторым набором признаков (образов). При этом набор этих признаков считается полным и достоверным. Таковы, например, алгоритмы Дана и Беждека, Бродкина. Получаемые на основе этих алгоритмов гиперповерхности раздела пространства признаков носят четкий характер.

В то же время существенная неполнота описания самого объекта и одновременно нечеткость его классификации приводят к размытости самих гиперповерхностей раздела признакового пространства, что фактически и отражает размытость наших представлений об объекте и позволяет выявить граничные значения нечеткости описание параметров ИРО, при которых классификация становится невозможной. Многообразные практические примеры подтверждают справедливость такого подхода [3,61].

Будем рассматривать класс линейных количественных мер - вектор весовых коэффициентов; – вектор показателей, характеризующих объект (с учетом их парных, тройных и т.д. эффектов, т.е. взаимовлияющих типологических групп параметров).

Задача определения параметров шкалы классификации нечетко определенных объектов будет далее состоять в том, чтобы, варьируя значениями вектора λ, определить такое значение разделяющей функции F(∙), которое соответствовало бы наилучшему в некотором смысле разделению объектов обучающей выборки на К классов. Предполагается, что в отношении объектов обучающей выборки (ОВ) известны их характеристики и нечеткая классификация, определение которой осуществляется экспертами исходя из их опыта и интуиции. Для решения подобной задачи в работе [62] рассматривается функционал вида:

где - субоптимальные значения функций принадлежности к-го объекта i-му классу, .

Функционал Ф(∙) фактически определяет суммарную ошибку распознавания. Суммарная ошибка распознавания, в свою очередь, оценивает степень сходства размытого разбиения Р₁,..., Р_k обучающей выборки, построенного с помощью алгоритма размытой классификации с априорным разбиением множества ХВ, которое задается характеристической функцией . Минимизация Ф(∙) осуществляется с помощью поискового алгоритма. Для варьирования I используется метод локальных вариаций.

При этом на каждом шаге итерации для каждого фиксированного вектора I вычисляются соответствующие этому вектору функции принадлежности характеристик объектов , входящих в состав обучающей выборки, тому или иному классу . Определение функций принадлежности осуществляется на основе решения задачи одномерной размытой классификации объекта К, определяемого интегральным параметром [4,62]. Алгоритм одномерной размытой классификации подробно рассматривается в приложении 1. Структурная схема многомерного размытого классификатора приведена на рис. 8.2., а режимы его работы представлены в табл. 8.4. Важнейшим элементом классификатора является обучающая выборка, представляющая собой базу знаний опытных экспертов или результатов апостеорного анализа отдельных элементов интеллектуальных ресурсов организации. Такая база знаний должна быть репрезентативной и непротиворечивой. На основе ее анализа по средством алгоритма многомерной размытой классификации определяется шкала классификации отдельного компонента ИРО. Параметры шкал классификации представляется множествами весовых коэффициентов отдельных элементов компонента ИРО и центров классов. Указанные параметры шкалы классификации далее используются для классификации новых значений компонент ИРО с учетов знаний и опыта, заложенного в обучающей выборке. База знаний каждого классификатора является открытой и может пополняться по мере получения новых данных об особенностях отдельных компонент ИРО и интеллектуальных ресурсов организации в целом. На каждом шаге пополнения базы знаний статистическим методами осуществляется оценка непротиворечивости знаний. На основе таких классификаторов строится их иерархия, отражающая взаимосвязь компонент ИРО в общей схеме оценки интеллектуальных ресурсов организации.

8.2

Таблица 8.4

Режимы работы классификатора

Режим работы классификатора	Содержание режима
Расчет параметров классификаторов классификационной шкалы	Расчет множества размытых центров классов и вектора весовых коэффициентов
Внутреннее структурирование ОВ	Определение базовой точки (начала отсчета) разделяющей поверхности ОВ
Контроль непротиворечивости ОВ	Статистический контроль достоверности классификации ОВ
Коррекция ОВ	Обеспечивает максимальное уменьшение в ОВ области «некомпетенции» путем исключения из состава ОВ противоречивых выборок
Классификация новых объектов	Расчет функции принадлежности классам нового объекта

На рис. 8.3. приведена структурная схема системы комплексной классификационной оценки интеллектуальных ресурсов организации на основе применения принципов многомерной размытой классификации. В качестве классификационных шкал оценок выбрана порядковая трехбалльная шкала, отражающая степень приближения уровня развития интеллектуальных ресурсов организации уровням развития интеллектуальных ресурсов, соответствующих высоко-, средне- и низко- эффективным организациям в развитых, развивающихся и слаборазвитых странах. В приложении приведены соответствующие выделенным составляющим интеллектуальных ресурсов обучающие выборки, рассчитанные на их основе параметры шкал классификации и результаты вычислительного эксперимента.

Рис.8.3. Структурная схема подсистемы оценки интеллектуальных ресурсов организации, реализация на основе применения иерархии многомерных размытых классификаторов

Практические задания

1. Поясните содержание и сущность корпоративной культурной культуры организации. Каковы ее роль и механизмы воздействия в процессах формирование интеллектуальных ресурсов организации.

2. Как сказывается влияние внешней среды на формирования интеллектуальных ресурсов организации

3. Поясните, какова в общем виде модель формирование интеллектуальных ресурсов организации

4. Какова динамика формирование интеллектуальных ресурсов организации

5. Поясните сущность метода оценки стоимости интеллектуальных ресурсов на основе информационной производительности

6. Поясните сущность метода оценки стоимости интеллектуальных ресурсов организации на основе добавочной стоимости и отдачи на капитал

7. Какова модель динамики экономических показателей развития интеллектуальных ресурсов организации на основе логического ее представления. Как при этом оценивается значимость организационного знания организации

8. Поясните методику оценки человеческого капитала организации

9. Поясните сущность и принципы применяемых алгоритмов многомерной размытой классификации в оценке уровня развития интеллектуальных ресурсов организации

1. Роль и значение корпоративной культуры в развитии интеллектуальных ресурсов в организации

2. Основные модели формирования и развития интеллектуальных ресурсов организации

3. Место модели динамики изменения эффективности деятельности организации в развитии человеческого капитала

4. Основные методы оценки стоимости интеллектуальных ресурсов организации

Дата добавления: 2014-12-29