Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання

В роботі розглядається онтологічний підхід до аналізу та структурування знань предметної галузі індуктивного моделювання на основі МГУА. Результати такого аналізу домену є основою для формалізації знань та подальшого їх використання при розробці й модифікації відповідних інтелектуальних програмних з...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Управляющие системы и машины
Дата:	2018
Автор:	Піднебесна, Г.А.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2018
Теми:	Интеллектуальные информационные технологии и системы
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/144954
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання / Г.А. Піднебесна // Управляющие системы и машины. — 2018. — № 3. — С. 18-32. — Бібліогр.: 53 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-144954
record_format	dspace
spelling	Піднебесна, Г.А. 2019-01-11T20:05:57Z 2019-01-11T20:05:57Z 2018 Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання / Г.А. Піднебесна // Управляющие системы и машины. — 2018. — № 3. — С. 18-32. — Бібліогр.: 53 назв. — укр. 0130-5395 DOI: https://doi.org/10.15407/usim.2018.03.018 https://nasplib.isofts.kiev.ua/handle/123456789/144954 004.94 В роботі розглядається онтологічний підхід до аналізу та структурування знань предметної галузі індуктивного моделювання на основі МГУА. Результати такого аналізу домену є основою для формалізації знань та подальшого їх використання при розробці й модифікації відповідних інтелектуальних програмних засобів. Проведен анализ отрасли индуктивного моделирования с позиции онтологического инжиниринга: определены принципы построения соответствующих онтологий различных уровней — от метамодели процесса моделирования до прикладных онтологий задач. Приведены фрагменты онтологий основных составляющих процесса индуктивного моделирования. Определены ключевые параметры, что обусловливает возможность обобщения и целесообразность конструирования многофункциональных программных модулей при разработке компьютерных средств индуктивного моделирования на основе МГУА. The analysis of the industry of inductive modeling from the point of view of ontological engineering is carried out, the principles for constructing the corresponding ontologies of various levels are defined — from the metamodel of the modeling process to applied task ontologies. Fragments of ontologies of the main components of the inductive modeling process are given. Key parameters were determined, which made it possible to generalize and expedient the design of multifunctional software modules when developing the computer-based inductive modeling tools based on GMDH. uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Управляющие системы и машины Интеллектуальные информационные технологии и системы Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання Онтологический подход к построению метамодели предметной области индуктивного моделирования Ontological Approach to the Designing Metamodel of the Subject Area of Inductive Modelling Article published earlier
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
title	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
spellingShingle	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання Піднебесна, Г.А. Интеллектуальные информационные технологии и системы
title_short	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
title_full	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
title_fullStr	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
title_full_unstemmed	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
title_sort	онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання
author	Піднебесна, Г.А.
author_facet	Піднебесна, Г.А.
topic	Интеллектуальные информационные технологии и системы
topic_facet	Интеллектуальные информационные технологии и системы
publishDate	2018
language	Ukrainian
container_title	Управляющие системы и машины
publisher	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
format	Article
title_alt	Онтологический подход к построению метамодели предметной области индуктивного моделирования Ontological Approach to the Designing Metamodel of the Subject Area of Inductive Modelling
description	В роботі розглядається онтологічний підхід до аналізу та структурування знань предметної галузі індуктивного моделювання на основі МГУА. Результати такого аналізу домену є основою для формалізації знань та подальшого їх використання при розробці й модифікації відповідних інтелектуальних програмних засобів. Проведен анализ отрасли индуктивного моделирования с позиции онтологического инжиниринга: определены принципы построения соответствующих онтологий различных уровней — от метамодели процесса моделирования до прикладных онтологий задач. Приведены фрагменты онтологий основных составляющих процесса индуктивного моделирования. Определены ключевые параметры, что обусловливает возможность обобщения и целесообразность конструирования многофункциональных программных модулей при разработке компьютерных средств индуктивного моделирования на основе МГУА. The analysis of the industry of inductive modeling from the point of view of ontological engineering is carried out, the principles for constructing the corresponding ontologies of various levels are defined — from the metamodel of the modeling process to applied task ontologies. Fragments of ontologies of the main components of the inductive modeling process are given. Key parameters were determined, which made it possible to generalize and expedient the design of multifunctional software modules when developing the computer-based inductive modeling tools based on GMDH.
issn	0130-5395
url	https://nasplib.isofts.kiev.ua/handle/123456789/144954
citation_txt	Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання / Г.А. Піднебесна // Управляющие системы и машины. — 2018. — № 3. — С. 18-32. — Бібліогр.: 53 назв. — укр.
work_keys_str_mv	AT pídnebesnaga ontologíčniipídhíddopobudovimetamodelípredmetnoígaluzíínduktivnogomodelûvannâ AT pídnebesnaga ontologičeskiipodhodkpostroeniûmetamodelipredmetnoioblastiinduktivnogomodelirovaniâ AT pídnebesnaga ontologicalapproachtothedesigningmetamodelofthesubjectareaofinductivemodelling
first_indexed	2025-11-25T23:28:42Z
last_indexed	2025-11-25T23:28:42Z
_version_	1850581436906602496
fulltext	18 ISSN 0130-5395, Control systems and computers, 2018, № 3 Интеллектуальные информационные технологии и системы DOI https://doi.org/10.15407/usim.2018.03.018 УДК 004.94 Г.А. ПІДНЕБЕСНА, мол. наук. співр., Міжнародний науково-навчальний центр інформаційних технологій та систем НАН України та МОН України, просп. Глушкова, 40, Київ 03187, Україна, pidnebesna@ukr.net ОНТОЛОГІЧНИЙ ПІДХІД ДО ПОБУДОВИ МЕТАМОДЕЛІ ПРЕДМЕТНОЇ ГАЛУЗІ ІНДУКТИВНОГО МОДЕЛЮВАННЯ В роботі розãлядається онтолоãічний підхід до аналізó та стрóêтóрóвання знань предметної ãалóзі індóêтивноãо мо- делювання на основі МÃÓА. Резóльтати таêоãо аналізó доменó є основою для формалізації знань та подальшоãо їх виêористання при розробці й модифіêації відповідних інтелеêтóальних проãрамних засобів. Êлючові слова: індóêтивне моделювання, МÃÓА, онтолоãія, деêларативне проãрамóвання. Вступ З розвитêом інтернетó надзвичайно велиêої й постійно зростаючої êільêості інформаційних ресóрсів виниêла потреба розробêи засобів автоматичної обробêи даних, інтелеêтóальних систем аналізó інформації з óрахóванням се- мантиêи цієї інформації. Бóрхливий розвитоê отримали технолоãії розробêи штóчноãо інте- леêтó, інтелеêтóальних êомп’ютерних систем, основою яêих є база знань, що ґрóнтóється на моделі предметної ãалóзі [1–6]. Широêе êоло приêладних êомп’ютерних систем призначені для моделювання сêладних об’єêтів (процесів) різної природи. Метод ãрóповоãо óрахóвання арãóментів (МÃÓА) є одним з ефеêтивних методів моделювання за статистичними даними, яêий має певні риси «інтелеêтóальності» [7–10]. Існóє низêа реалізацій оêремих алãоритмів МÃÓА, розроблених фахівцями різних êраїн, більшість з яêих працює за принципом «чор- ноãо ящиêа» [11, 12]. Тож аêтóальною задачею є óзаãальнення існóючих знань предметної ãалóзі індóêтивноãо моделювання на основі МÃÓА для побóдови заãальної онтолоãії, яêó можна бóло б виêористовóвати ó розробці но- вих засобів автоматичноãо аналізó приêладних задач в різних ãалóзях діяльності людини. Необхідним є аналіз предметної ãалóзі моде- лювання з метою стрóêтóризації знань про основні етапи цьоãо процесó, про методи, яêі застосовóються, та óмови ефеêтивності отри- маних моделей. Резóльтати таêоãо аналізó доменó є основою для формалізації знань та подальшоãо їх виêористання при розробці й модифіêації відповідних інтелеêтóальних про- ãрамних засобів. Онтолоãічне представлення знань надає широêі можливості виêористання даних, пов’язóючи їх різними типами відно- шень з óрахóванням семантиêи. При аналізі та представленні знань предме- тної ãалóзі виниêає необхідність виêористан- ня понять різних рівнів заãальності. В роботі розãлянóто три рівні онтолоãій: вищоãо рівня (метамодель процесó моделювання), онтоло- ãію доменó індóêтивноãо модлеювання на ос- нові МÃÓА та онтолоãію приêладних задач. Резóльтати стрóêтóризації процесó синтезó моделей поêладено в основó побóдови онто- Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 19 лоãоії індóêтивноãо моделювання. Подано фраãменти її представлення та принципи ви- êористання. Виділені êлючові параметри ос- новних сêладових етапів побóдови моделі за МÃÓА можóть бóти поêладені в основó êонс- трóювання баãатофóнêціональних модóлів при розробці ефеêтивних êомп’ютерних засобів індóêтивноãо моделювання. Характеристика комп’ютерних систем, заснованих на знаннях Термін системи, засновані на знаннях (know- ledge based systems – KBS) виêористовóється для позначення баãатьох різних типів систем. Спільним для таêих систем є представлення знання ó формальномó виãляді для можливос- ті їхньої автоматичної обробêи. Ó заãальномó виãляді KBS визначається яê êомп'ютерна проãрама, яêа виêористовóє базó знань для вирішення сêладних проблем. Більш формально розробêа KBS визначається яê ін- женерна ãалóзь, яêа спеціалізóється на оциф- ровóванні знань та побóдові інтелеêтóальних êомп'ютерних систем заãалом [13, 14]. В системах, заснованих на знаннях, інтеле- êтóальність слід розóміти яê здатність знахо- дити шляхи розв’язання поставленої задачі автоматично, без (або майже без) втрóчання людини, отримóвати нові знання, виêористо- вóючи заãальні та спеціалізовані знання про модельовані процеси подібно до мірêóвань людини-еêсперта. Реалізацію цих принципів забезпечóє он- толоãічний підхід до побóдови інтелеêтóаль- них систем. Метою створення та виêорис- тання онтолоãій можна назвати забезпечен- ня підтримêи діяльності з наêопичення, розподілення та повторноãо виêористання знань. Першими системами, заснованими на знан- нях, бóли еêспертні системи на основі правил. Еêспертна система — це тип системи, метою яêої є замінити людинó-фахівця або допомоã- ти йомó при виêонанні сêладних завдань. Ці еêспертні системи представляли фаêти про світ яê прості твердження в базі даних і виêо- ристовóвали правила для побóдови та роз'яс- нення резóльтатів [15]. Архітеêтóра KBS. Система, заснована на знаннях, має три типи підсистем: базó знань, інтерфейс êористóвача та механізм лоãічних висновêів. За допомоãою інтерфейсó êористó- вач має можливість сформóлювати задачó та отримати резóльтати її розв’язання [16]. База знань містить фаêти про світ, зібранó відомó інформацію в даній ãалóзі. Ó сóчасних системах представлення знань часто здійсню- ється ó формі онтолоãії. Механізм висновêó (двиãóн) виводить за- êономірності з інформації, наявної в базі знань. Яê правило, база знань являє собою лоãічні твердження та óмови про світ, зазви- чай представлені через правила яêщо — то (IF-THEN). Таêі системи можóть отримóвати із наборó даних висновêи, яêих на початêó не існóвало, — тобто отримóвати нові знання. Формальне представлення чітêо стрóêтóро- ваних знань дозволяє таêим системам по- яснити, яê бóло отримано висновоê, і виêо- ристовóвати цю інформацію для пояснення резóльтатів. Системи, засновані на знаннях, можóть від- різнятися залежно від методів та підходів до розв'язаня задач. До таêих систем відносять:  еêспертні системи (моделюють процес прийняття рішень подібно до людини–еêс- перта);  нейронні мережі (моделюють роботó люд- сьêоãо мозêó на біолоãічномó (нейронномó) рівні, здатні до самонавчання, розпізнавання шаблонів);  системи, засновані на прецедентах (моде- люють людсьêó здібність приймати рішення за аналоãією з відомими прецедентами);  системи, побóдовані на ãенетичних ал- ãоритмах (вирішóють завдання оптимізації та моделювання шляхом випадêовоãо підбо- рó і êомбінóвання параметрів відборó в при- роді);  інтелеêтóальні аãенти (проãрами, здатні самостійно вибирати алãоритм для досяãнен- ня визначеної мети — наприêлад, інтернет- роботи пошóêових систем); Ã.А. Піднебесна 20 ISSN 0130-5395, Control systems and computers, 2018, № 3  системи інтелеêтóальноãо аналізó даних (для отримання прихованих знань шляхом виявлення заêономірностей ó велиêих обсяãах даних) [17]. Онтології як основа конструювання моделі предметної галузі Сóчасні технолоãії розробêи проãрамноãо за- безпечення дозволяють êонстрóювання ефеê- тивних êомп’ютерних засобів для задач моде- лювання. Інтелеêтóалізація процесó моделю- вання передбачає інтелеêтóалізацію поведінêи відповідної êомп’ютерної системи саме на етапі побóдови моделі [7]. Але значна сêладність проеêтóвання та розробêи таêоãо проãрамноãо забезпечення поляãає в томó, що розробниê повинен знати еêстенціонал задачі, тобто мно- жинó всіх можливих етапів та варіантів процесів при розв’язанні задачі з óрахóванням різних до- пóстимих вхідних даних. Ці знання мають бóти втілені ó виãляді проãрамноãо продóêтó. Одним з сóчасних підходів для спрощення розробêи та модифіêації проãрам, полеãшення їх розóміння, є таê звана парадиãма деêларати- вноãо проãрамóвання, до яêоãо відноситься й онтолоãічний інженіринã. Вона поляãає в томó, що êод має описóвати саме задачó, а не один із способів її розв’язання. Розмежóвання знань з процедóрами обробêи цих знань дозволяє зна- чно спростити процедóри їх розробêи та моди- фіêації [18]. Ó баãатьох ãалóзях для формалізації основ- них понять предметної ãалóзі та відношень між ними розробляються стандартні онтолоãії. Вони виêористовóються для аналізó предмет- ної ãалóзі, визначають заãальні словниêи (тезаóрóси) для спільноãо виêористання спеціалістами êонêретних доменів та для анотóвання інформації в своїй ãалóзі, полеã- шóють можливість повторноãо її виêорис- тання, розширення шляхом інтеãрóвання деêільêох існóючих онтолоãій однієї пред- метної ãалóзі [19]. Традиційно формальним означенням онто- лоãії О є óпорядêована трійêа: O = <C, R, F>, де С — сêінченна непорожня множина êонце- птів, R — сêінченна множина співвідношень між êонцептами предметної ãалóзі, F — сêін- ченна множина фóнêцій інтерпретації, визна- чених на множині êонцептів та/або співвід- ношень онтолоãії предметної ãалóзі [20]. На змістовномó рівні елементами F можна задати правила визначення припóстимості: яêі набори êонцептів, їх відношень та значень вла- стивостей є припóстимими чи неприпóстими- ми для даної предметної ãалóзі, яêі значення властивостей та відношення між êонцептами можна вивести з наявної в онтолоãії інформа- ції. Множини R та F можóть бóти порожніми (при цьомó отримóємо словниê, тезаóрóс). В роботі [21] формальне означення онтоло- ãії подається дещо інаêше: онтолоãія предмет- ної ãалóзі D — це впорядêована четвірêа O = <X, R, F, А>, де X — множина êонцептів ãалóзі D, R — мно- жина співвідношень між êонцептами, F — від- ношення інтерпретації з X, R, А в ãалóзі D, А — множина аêсіом. Відношення представляють тип зв’язêів між êонцептами предметної ãалóзі, яêі формально можóть бóти представлені яê підмножина де- êартовоãо добóтêó n множин таêих, що R : C1  C2  …  Cn (приêлади простих бінарних від- ношень: «є частиною», «пов'язаний–з» тощо). Фóнêції — оêремий випадоê відношень, êоли n-й елемент визначається за (n – 1) зна- ченнями попередніх елементів, наприêлад, F : C1  C2  …  Cn–1 => Cn . Аêсіоми моделюють завжди істинні вирази. Онтолоãію можна розãлядати яê абстраêцію êомп'ютерної леêсиêи, тезаóрóсó чи іншоãо ти- пó стрóêтóрованої леêсиêи, відповідним чином розширеноãо знаннями про певний домен. Он- толоãія визначає стрóêтóрó і словниê статичних знань предметної ãалóзі, задає обмеження що- до стрóêтóри й змістó цих знань. Êрім множи- ни об’єêтів предметної області (êласів та при- мірниêів) вона містить хараêтеристиêи об'єêтів і процесів предметної ãалóзі, їхні властивості, опис важливих залежностей між цими об'єêта- ми, набір аêсіом, яêий бóдóється на цих понят- Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 21 тях та відношеннях. Це фаêтично сêладає ієрар- хічнó понятійнó базó предметної ãалóзі [22, 23]. Виходячи з цьоãо, ó [24] вводяться êритерії, яêі має задовольняти онтолоãія:  Прозорість — онтолоãія повинна ефеêтив- но передавати значення визначеноãо термінó, необхідноãо для описó ситóацій.  Зв’язність — онтолоãія має давати можли- вість робити висновêи, яêі óзãоджóються з поча- тêовими визначеннями понять. Принаймні, аêсіоми не повинні виêлиêати сóперечоê.  Незалежність від синтаêсисó — онтолоãія має бóти специфіêована на рівні знання маê- симально незалежно від представлення по- нять на рівні символів.  Мінімальний базис за висоêої виразнос- ті — онтолоãія повинна вводити мінімальний базовий набір понять, але достатній для моде- лювання в необхідних цілях та описó сêладних ситóацій.  Зрóчність для êористóвача — онтолоãія має дозволяти представляти знання в звичномó êористóвачеві виãляді, бóти зрозóмілою, ося- жною та зв’язаною.  Ефеêтивність машинної обробêи — важ- лива можливість формалізації онтолоãій до виãлядó, яêий дозволяє ефеêтивнó êомп’ютер- нó обробêó, щоб зняти з êористóвача рóтинні операції з підтримêи, виêористання та розви- тêó онтолоãій. Онтологічні принципи побудови інтерфейсу користувача Онтолоãічний підхід можна застосóвати до êонс- трóювання інтерфейсó êористóвача яê невід’єм- ної частини інтелеêтóальних êомп’ютерних сис- тем. Інтелеêтóальний інтерфейс êористóвача повинен реалізовóвати фóнêції спілêóвання, автоматичної побóдови сценарію (алãоритмó), обґрóнтóвання резóльтатó та навчання [25]. За- ãалом інтерфейс êористóвача об'єднóє всі еле- менти і êомпоненти системи, яêі впливають на взаємодію êористóвача з проãрамним забезпе- ченням. До таêих елементів можна віднести:  набір задач êористóвача, яêі він розв’язóє за допомоãою системи;  елементи óправління системою;  навіãація між блоêами системи;  засоби відображення інформації, власне відображóвана інформація та її формати;  пристрої та технолоãії введення/виведен- ня даних; взаємодія і транзаêції між êористó- вачем і êомп'ютером;  підтримêа óхвалення рішень в êонêретній ãалóзі;  порядоê виêористання проãрами і доêó- ментація до неї [26]. Основні принципи онтолоãічноãо підходó для розробêи інтерфейсó êористóвача визна- чено в [6]: Пропонóється розділяти розробêó інтерфей- сó êористóвача та приêладної проãрами (роз- робниêа, адміністратора), виділити деêільêа основних систем понять:  система понять êористóвача, за óчасті яêих êористóвач здійснює взаємодію з системою;  система понять розробниêа інтерфейсó êористóвача, яêа має містити поняття для описó стрóêтóри та засобів відображення ін- формації в інтерфейсі;  система поняття розробниêа для описó сценарію діалоãó;  система понять розробниêа для взаємодії приêладної проãрами та інтерфейсó êористó- вача. Представити êомпоненти інтерфейсó êори- стóвача ó виãляді деêларативних моделей, сформованих на основі онтолоãій, що описó- ють êожен таêий êомпонент. Виêористання спеціальних засобів для ав- томатичної ãенерації проãрамноãо êодó за де- êларативними моделями дозволяє значно сêо- ротити час та зóсилля при розробці. Інтерфейс êористóвача є тією частиною про- ãрамноãо êомплеêсó, яêий з оãлядó на широêе êоло ймовірних êористóвачів, найчастіше може змінюватись, враховóючи різний рівень підãо- товленості, широêий спеêтр задач та особисті óподобання. Реалізóвати дрóжній до êористóва- ча інтерфейс, яêий задовольнятиме наведені вимоãи, можливо шляхом побóдови маêетів майбóтньоãо інтерфейсó, заснованих на виêо- ристанні онтолоãій [24]. Ã.А. Піднебесна 22 ISSN 0130-5395, Control systems and computers, 2018, № 3 Модель бóдь-яêоãо інтерфейсó êористóвача приêладної проãрами можна розãлядати яê сó- êóпність таêих моделей: V — модель онтолоãії представлення (дозволяє бóдóвати один з типів діалоãів, отримати найбільш повне й зрóчне представлення, що відповідає вимоãам êористó- вача), S — модель онтолоãії сценарію діалоãó (визначає абстраêтні терміни для описó реаêцій на події, сóêóпність дій, яêі виêонóються за виниêнення подій, джерела подій, типи пере- ходів між віêнами, способи виборó примірниêів віêна тощо), L — модель онтолоãії зв’язêó з при- êладною проãрамою (описóє модель взаємодії з проãрамою, переліê фóнêцій, яêі надаються, ха- раêтеризóються типом значень, множиною па- раметрів, їхніх типів тощо), U — модель онтоло- ãії задач êористóвача (містить опис предметної ãалóзі, задач та методів їх розв’язання, специфі- êóє об'єêти діяльності, визначає поняття, êласи термінів, хараêтеристиêи та області можливих значень, необхідні для виêонання задач). Тоді формóвання êомпонентó моделі інтерфейсó зво- диться до задання значень понять відповідної моделі óніверсальної онтолоãії — {V`, S`, L`, U `}. Шляхи автоматизації роботи з онтологіями Інтелеêтóальні системи на основі онтолоãій на праêтиці поêазали свою ефеêтивність [27], але побóдова онтолоãії є сêладною задачею, яêа потребóє еêспертних знань фахівців деêільêох ãалóзей — інженерів знань, еêспертів предмет- ної ãалóзі, розробниêів проãрамноãо забезпе- чення тощо. Êрім тоãо, побóдова онтолоãії по- требóє баãато зóсиль та часó, томó аêтóальною задачею є автоматизація процесó побóдови он- толоãій. Цьомó присвчóється велиêа êільêість досліджень, розроблено та продовжóють роз- роблятись êомплеêсні системи проеêтóвання онтолоãій. Мета — допомоãа в розробці та під- тримці моделей предметної ãалóзі та вêлючен- ня їх в проãрамний êод [28]. Основними хараêтеристиêами таêих систем можна вважати можливість підтримóвати фор- малізми та формати представлення онтолоãій, фóнêціонал редаêтора онтолоãії, засоби збері- ãання онтолãій, достóпність, можливість ав- томатичноãо êодóвання тощо. Вибраний формалізм поêладений в основó способó представлення онтолоãічних знань (лоãіêа предиêатів, фрейми, деêриптивна ло- ãіêа, êонцептóальні ãрафи тощо) та впливає на внóтрішню стрóêтóрó орãанізації даних. Фор- мат представлення задає спосіб зберіãання та передачі онтолоãічних описів, метод обробêи її êонцептів [29]. Найбільш відомими і вжива- ними є таêі стандарти представлення онтоло- ãій яê OWL [30], RDFS (Resource Description Framework Schema) [31] та KIF (Knowledge Inter- change Format) [32]. Відповідно до цих стан- дартів бóло розроблено різні редаêтори онто- лоãій [33], деяêі з них підтримóють роботó з êільêома стандартами. Одним з найпопóлярніших ó роботі з онто- лоãіями є редаêтор Protйgй, розроблений в Стендфордсьêомó óніверситеті [34]. Він при- значений для побóдови та редаãóвання онто- лоãій предметної ãалóзі на основі фреймів, відповідно до протоêолó OKBC (Open Know- ledge Base Connectivity protocol — приêладний інтерфейс проãрамóвання для достóпó до баз знань систем представлення знань) [35]. По- бóдовані моделі онтолоãії сêладаються з мно- жини êласів ó виãляді ієрархії, слотів, пов’я- заних з êласами для описó їхніх властивостей і відношень між ними, та примірниêів цих êласів, яêі мають певні значення цих влас- тивостей. Protйgй є відêритою платформою з можли- вістю підтримóвати більшість найпоширені- ших форматів представлення знань: OWL, RDF/ RDFS, SHOE, XOL, DAML+OIL. Редаê- тор таêож підтримóє модóлі розширення фóн- êціональності. В цій статті подано резóльтати, а саме фраãменти онтолоãії предметної ãалóзі індóêтивноãо моделювання, отримані саме засобами цієї системи. Автоматизація процесу моделюваня Задачею автоматизації для інтелеêтóальних êом- п’ютерних систем моделювання є моделюван- ня цьоãо процесó. Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 23 Моделювання — це процес вивчення реаль- ноãо об'єêта, в яêомó виêористовóються лише деяêі йоãо специфічні хараêтеристиêи, опис та óмовний образ. Розãлядається математичне моделювання, яêе вивчає властивості об'єêта шляхом побóдови та аналізó йоãо математич- ної моделі. Сêладність процесó математично- ãо моделювання визначається тим, що на праêтиці задачі мають розв’язóватись за óмов невизначеності та неповноти інформації, що значною мірою впливає на резóльтат. Ó від- стеженні та êореêтномó óрахóванні цих óмов і поляãає завдання інтелеêтóалізації процесó моделювання ó сêладі відповідних êомп’ютер- них систем. Існóє два основних підходи до побóдови ма- тематичних моделей об'єêтів: ґрóнтóючись на вивченні заêономірностей фóнêціонóвання об’єêта (êерований теорією, або дедóêтивний підхід) та синтез моделей на основі аналізó і óзаãальнення даних про об’єêт (êерований даними, або індóêтивний підхід) (рис. 1) [8]. Дедóêтивним моделюванням, зоêрема, на- зивається процес переходó від заãальних заêо- нів і заêономірностей фóнêціонóвання об'єêта до êонêретної (частинної) йоãо моделі, а від- повідно індóêтивним моделюванням — про- цес переходó від êонêретних (частинних) да- них до óзаãальнюючої моделі. Тобто побóдо- вана модель може вистóпати і яê частинне, і яê заãальне явище залежно від тоãо, із засто- сóванням яêоãо підходó її отримано [7]. Ці два підходи іноді таêож називають теоретичним (або пізнавальним) та емпіричним (праãмати- чним) відповідно. Існóє баãато індóêтивних методів пошóêó заêономірностей, прихованих ó даних: МÃÓА (GMDH-Group Method Of Data Handling), вияв- лення асоціативних правил, аналіз послідов- ності, êласифіêація, реãресія, дерева рішень, нейронні мережі, метод опорних веêторів SVM (Support Vector Machine), ãенетичні алãоритми, метод оцінювання êоефіцієнтів лінійної ре- ãресійної моделі LASSO (Least Absolute Shrink- age and Selection Operator) та ін. Алãоритми індóêтивноãо моделювання роз- в’язóють низêó завдань:  побóдовó математичної моделі об’єêта (процесó);  проãнозóвання перебіãó процесó, заданоãо часовим рядом;  êласифіêацію — побóдовó правила відне- сення об’єêта до певноãо êласó за заданими ознаêами;  розпізнавання образів з навчанням (вияв- лення ефеêтивних ознаê та правила розріз- нення заданих êласів);  êластеризацію (самонавчання, або вияв- лення ефеêтивних ознаê, êласів та правил їх розрізнення), в рамêах МÃÓА таêа задача на- зивається Об’єêтивною Êомп’ютерною Êлас- теризацією (ОÊÊ);  об’єêтивний системний аналіз (ОСА), êо- ли необхідно з’ясóвати, яêі серед вимірюваних змінних є незалежними (вхідними), яêі зале- жними (вихідними), яêі зайвими (неінформа- тивними), і побóдóвати релевантнó модель. Для бóдь-яêої реальної проблеми можна охараêтеризóвати таêі основні етапи процесó її вирішення: підãотовêó; попередній аналіз; формóлювання задачі; розв’язання задачі; ана- ліз резóльтатів; їх застосóвання [36, 8]. Êожна задача аналізóється, і визначаються необхід- ні поняття, відношення, обмеження та опе- рації для її розв’язання. Бóдóється êонцеп- тóальна модель приêладної онтолоãії задачі з виêористанням виявлених êомпонент з іс- нóючої онтолоãії (яêщо таêа вже існóє). Онтологія як метамодель предметної галузі індуктивного моделювання В резóльтаті стрóêтóрóвання предметної ãалóзі визначаються принципи формóвання алãори- тмічних модóлів для розв’язання задачі êонê- ретноãо êласó. Залежно від типó завдань виби- раються адеêватні методи їх розв’язання. Індóêтивне моделювання, засноване на ста- тистичних даних, є процесом послідовноãо прийняття рішень, яêий сêладається з певних послідовно виêонóваних етапів [10, 8]. Це може бóти основою метамоделі предметної ãалóзі індóêтивноãо моделювання. Метамодель опи- Ã.А. Піднебесна 24 ISSN 0130-5395, Control systems and computers, 2018, № 3 сóє стрóêтóрó та принципи побóдови інших моделей, забезпечóє лоãічний рівень доменó. Це сприяє зменшенню рівня невизначеності предметної ãалóзі та відходó від жорстêої фіê- сації на специфіці задачі. Метамодель визначає «деталі êонстрóêтора», з яêих бóде сêладатись процес побóдови моделі. Це верхній рівень стрóêтóрóвання. Він доповнюється більш дета- льними êласифіêаторами настóпних ієрархіч- них рівнів в залежності від специфіêи розãля- нóтих задач. Метамоделі тісно пов'язані з онтолоãіями, осêільêи вони виêористовóються для стрóêтó- рóвання інформації та аналізó відношень між поняттями. Метамодель — це онтолоãія висоêоãо рівня з оãлядó на êонцепції методів розв'язання за- дачі, êлючових етапів цьоãо процесó та обме- жень (рис. 2). Онтолоãічна модель предметної ãалóзі ниж- чоãо рівня деталізóє алãоритмічні êомпоненти êожноãо êонêретноãо методó моделювання. Для вирішення праêтичноãо завдання ви- êористовóється онтолоãічна модель задачі, яêа має свої задані параметри, специфічні хараê- теристиêи та області допóстимих значень. Процес моделювання заãалом сêладається з аналізó етапів процесó, детальноãо вивчення êо- жноãо з них, визначення зв’язêів, відношень між ними та ефеêтивноãо їх описó з маêсимально можливим стóпенем формалізації та перевірêи адеêватності. Всі ці властивості мають певні об- ласті допóстимих значень. Ця інформація може представлятися відповідними онтолоãіями [37]. Можна ãоворити про три взаємоповязані он- толоãії (рис. 3). Перша містить знання про моде- лі, побóдовані раніше, тобто містить êонцепти та êласифіêатори властивостей моделей за різ- ними êритеріями — наприêлад, родо-видові êласифіêатори, системні відношення (частина– ціле), причинно-наслідêові тощо. Дрóãа онтолоãія містить стрóêтóрó знань про модельований процес (об’єêт, явище). Третя онтолоãія, яêó називають онтолоãією задач, стрóêтóрно базóється на знаннях – êласифіêаторах, що відображають метó, мето- ди, засоби та технолоãії розв’язання задач мо- делювання. Важливим êомпонентом цієї он- толоãії є статистиêа óспішноãо моделювання та аналіз застосóвань різних методів для різ- них êонêретних задач [38]. Принципи побудови онтології предметної галузі Побóдова онтолоãії не є метою сама по собі. Починати розробêó онтолоãії слід з визначен- ня деêільêох питань: Рис. 1. Підходи до побóдови математичних моделей Рис. 2. Рівні онтолоãій ãалóзі індóêтивноãо моделю- вання Рис. 3. Метасистема моделювання Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 25  Для чоãо бóде виêористано онтолоãію? Яêі задачі бóдóть розв’язóватись завдяêи їй?  На яêі типи питань має відповідати інфо- рмація в онтолоãії? Що має містити база знань на її основі?  Хто бóде êористóватись онтолоãією? Яêий рівень деталізації потрібен? Хто бóде її під- тримóвати?  Чи можна виêористати вже існóючі, допо- внити або розширити їх для предметної ãалóзі та êонêретної задачі (питання повторноãо ви- êористання)? Розробêа онтолоãії — це сêладний, послідо- вний та ітеративний процес. Словниê (списоê понять, êонцептів) визна- чається яê резóльтат стрóêтóрóвання знань предметної ãалóзі. Настóпним важливим êро- êом є ранжóвання, óпорядêóвання термінів та побóдова ієрархії. Далі необхідно визначити властивості понять, їхні хараêтеристиêи, до- пóстимі значення, фóнêції інтерпретації тощо. МГУА як об’єкт онтологічного аналізу Розãлянемо МÃÓА яê один з найефеêтивні- ших індóêтивних методів з óрахóванням сêла- дових процесó моделювання (рис. 4) [36, 9]. Êожна задача моделювання за еêсперимен- тальними даними починається з отримання та попередньої обробêи даних, природа яêих може бóти різноманітною: фізичні дані, біоло- ãічні, лінãвістичні тощо. Дані, за типом, мо- жóть бóти числовими або нечисловими; мо- жóть бóти однорідними або різнорідними, тобто вимірюватись ó різних фізичних вели- чинах (час, швидêість, напрóãа тощо). В таêих випадêах визначаються відповідні фóнêції об- робêи (нормóвання, масштабóвання тощо). Дані можóть містити пропóсêи (відсóтність оêремих даних) чи виêиди (нетипово велиêі або малі значення). В таêих випадêах застосовóють- ся процедóри заповнення пропóсêів, óсóнення або êориãóвання виêидів. На етапі попередньої обробêи даних можóть виêонóватись таêож фóнêції оцінêи їхньої інформативності, опти- мізації розмірó і сêладó вибірêи даних тощо. Êлас задач обирається відповідно до природи даних. Слід розрізняти: статичні задачі, часові ряди, динамічні задачі [36]. В статичних задачах залежність поêазниêів від часó відсóтня або часові залежності не êри- тичні для досяãнення êонêретної мети моде- лювання. Часові ряди — êоли одна або сóêóп- ність (веêтор) змінних, залежні від часó. Ди- намічні задачі — це задачі, де є динамічні вхо- до–вихідні залежності. Попередня обробêа даних. Для бóдь-яêої êонêретної задачі оêремим і необхідним ета- пом є попередня обробêа даних. Існóє цілий спеêтр проблем, яêі вирішóються на етапі по- передньої обробêи даних в залежності від об- раноãо êласó задач [8]. Яêщо ãоворити про оêремі елементи (ета- пи) індóêтивноãо моделювання, то êлючови- ми тóт є саме алãоритми (рис. 4). Зоêрема, іс- нóє велиêий спеêтр алãоритмів МÃÓА [39–44]. Для всіх алãоритмів хараêтерними є чотири основних елемента: êлас моделей, ãенератор стрóêтóр, оцінювання параметрів, êритерій се- леêції моделей [36, 11, 8]. Ці êомпоненти роз- ãлянемо далі. Оцінêа адеêватності. Для отриманих моде- лей обов’язêовим є аналіз їх адеêватності. Для цьоãо слід знаходити оцінêó віроãідності оп- тимальних моделей, тобто чи є оптимальна за зовнішнім êритерієм модель найбільш віроãі- дною в заданих óмовах [45]. В МÃÓА найчас- Рис. 4. Основні сêладові процесó моделювання за ста- тистичними даними Ã.А. Піднебесна 26 ISSN 0130-5395, Control systems and computers, 2018, № 3 тіше для оцінêи адеêватності обраної моделі розраховóють її помилêó на еêзаменаційній вибірці (яêа не виêористовóвалась для побó- дови моделей). Це дає можливість ефеêтивно працювати в óмовах істотної неповноти та не- визначеності апріорної інформації про об’єêт (процес) моделювання. Модель. В залежності від постановêи задачі серед побóдованих моделей можна обирати однó модель за мінімóмом заданоãо êритерію або деêільêа êращих моделей, серед яêих ви- значають єдинó за додатêовими, часто нефор- малізованими êритеріями. В той же час віді- брана ãрóпа êращих моделей можна виêорис- товóвати яê ансамбль моделей, резóльтати яêих óсереднюються з метою отримання най- більш віроãідноãо проãнозó. Резóльтат. Отриманий внаслідоê роботи алãоритмó резóльтат (модель) може мати різне праêтичне застосóвання: для візóалізації пове- дінêи модельованоãо процесó в різних óмовах, моделі можна виêористовóвати для виявлення стрóêтóр (êластерів, êласів) ó вибірці даних, встановлення заêономірних взаємозв’язêів між змінними, ідентифіêації, моделювання та про- ãнозóвання процесів і систем, êерóвання ста- ном об’єêтів, прийняття рішень з óправління сêладними системами тощо. Принципи побудови онтологічної моделі МГУА Для формальноãо представлення знань в ãалóзі індóêтивноãо моделювання розãлянемо основ- ні êомпоненти процесó побóдови моделі за ста- тистичними даними. Нехай СM — множина êласів моделей (лінійна реãресія, автореãресія, ãармоніêи, лоãарифмічна, поліноміальна та еêс- поненціальна фóнêції часó, різницева тощо.), GS — множина ãенераторів стрóêтóр моделей (задана стрóêтóра, вêлючення, виêлючення, повний перебір, метод ãілоê та ãраниць, êомбі- наторний, êомбінаторно-селеêційний, баãато- рядний, ãенератор моделей в êласі вêладених стрóêтóр тощо), ОP — множина методів оціню- вання параметрів стрóêтóр (МНÊ, МНÊО, МНМ, ãребнева реãресія тощо); CR — множина êритеріїв яêості моделей (êритерії Аêаіêе, Маллоóза, джеê-найф, незміщеності, реãóляр- ності, сêориãований RSS/(n-s), Фішера, Êейна та ін.) [40, 45, 17]. Êожен з цих êомпонентів представляє со- бою множинó імен (понять, термінів) та їхніх хараêтеристиê (атрибóти, параметри). Тобто можна ãоворити про відповідні онтолоãії: он- толоãія (або модель онтолоãії) êласів моделей, онтолоãія ãенераторів стрóêтóр, онтолоãія ме- тодів оцінювання параметрів, онтолоãія êри- теріїв селеêції моделей. Ці моделі онтолоãій є частинами заãальної онтолоãії методів індóê- тивноãо моделювання. Вибір êласó моделей залежить від природи даних і однозначно пов’язаний з êласом за- дач, для êожноãо з яêих слід застосовóвати адеêватний êлас моделей. Для статичних задач типовим є виêористання êласó поліноміальних моделей. Для часових ря- дів застосовóють поліноміальні, еêспоненційні, лоãарифмічні, лоãістичні, триãонометричні та інші фóнêції часó. Динамічні задачі розв’язó- ються шляхом застосóвання різницевих схем, дисêретних динамічних моделей тощо. Ієрархія êласів моделей в онтолоãії пред- ставлена рис. 5. Онтолоãічна модель ãенераторів стрóêтóр GS містить два основних типи ãенераторів стрóêтóр: перебірні (êомбінаторні) та ітераційні (баãато- рядні) та хараêтеристиêи êлючових параметрів, що óзаãальнюють низêó типів ãенераторів стрóê- тóр (яêі стосóються не тільêи МÃÓА). Ó свою черãó, типовими перебірними алãори- тмами для формóвання різних модельних стрóê- тóр є COMBI (повний перебір) [41] і баãатоета- пний MULTI (направлений перебір) [42]. Дві основні архітеêтóри ãенераторів ітера- ційноãо типó — баãаторядні БІА та релаêса- ційні РІА [43]. В останнє десятиліття розроблено нові види алãоритмів МÃÓА: óзаãальнений ітераційний алãоритм ÓІА [46] та ãібридний êомбінаторно- ãенетичний алãоритм Combi-GA [47]. Отже, з оãлядó на сóчасні тенденції, онтоло- ãія ãенераторів стрóêтóр може бóти представ- лена рис. 6. Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 27 Методи оцінювання параметрів. Для оціню- вання параметрів в МÃÓА традиційно виêо- ристовóється МНÊ (алãоритм Ãаóса). Ефеê- тивними є реêóрентні за числом параметрів алãоритми, зоêрема, метод обрамлення (мо- дифіêація МНÊ), реêóрентні модифіêації методів Ãаóса та Ãрамма–Шмідта та методи розпаралелювання операцій [40, 48, 49]. Êритерії селеêції, що виêористовóються в МÃÓА, ґрóнтóються на поділі вибірêи даних на дві або більше частин, причомó завдання оцінювання параметрів та порівняння яêості моделей виêонóються на різних частинах. Ви- бір зовнішньоãо êритерію залежить від мети моделювання. В оêремих випадêах виêорис- товóють êомбіновані êритерії та послідовність деêільêох êритеріїв [50]. Онтолоãія êритеріїв виборó моделі CR може містити êласичні методи оцінêи моделі (пере- вірêа статистичних ãіпотез, êритерій Фішера тощо), êритерії на основі штрафів за сêлад- ність моделі (êритерій Маллоóза Ср , інформа- ційний êритерій Аêаіêе А²С, байєсовсьêий інформаційний êритерій Шварца ВІС) та êри- терії на основі поділó вибірêи (êритерій реãó- лярності, стабільності, незміщеності тощо). Це може бóти представлено ó виãляді ієрархіїї (рис. 7) [53, 51]. Наведені приêлади моделей онтолоãії є фраãментами онтолоãії доменó індóêтивноãо моделювання на основі МÃÓА. Онтологія як засіб конструювання структури програмного комплексу моделювання на основі МГУА В резóльтаті онтолоãічноãо аналізó МÃÓА бóло визначено основні êлючові параметри êожно- ãо етапó процесó побóдови моделі за статисти- чними даними [52]. Онтолоãія êласів лінійних моделей визначає різні типи моделей з êлючовими параметрами {MY, LY, MХ, LХ}, де MY, MХ — êільêість вхі- дних та вихідних змінних, а LY, LХ — êіль- êість врахованих минóлих значень (запізню- вань) для вхідних та вихідних змінних відпо- відно [51]. Залежно від êонêретних значень êлючових параметрів можна отримати більшість варіан- тів лінійних моделей, яêі виêористовóються на праêтиці для описó статичних об'єêтів, ча- сових рядів та динамічних об'єêтів і процесів. Для ãенераторів стрóêтóр êлючовими пара- метрами є {SI, SA, F, NI}, де SI та SA — міні- мальна та маêсимальна сêладність ãенерова- них моделей відповідно, F — свобода виборó, NI — число ітерацій. Це може бóти основою для формóвання єдиноãо баãатофóнêціональ- ноãо проãрамноãо модóля ãенераторів стрóê- тóр з названими êлючовими параметрами, що Рис. 5. Фраãмент онтолоãії êласів моделей Рис. 6. Онтолоãічна модель ãенераторів стрóêтóр Ã.А. Піднебесна 28 ISSN 0130-5395, Control systems and computers, 2018, № 3 óзаãальнює низêó типів ãенераторів стрóêтóр (яêі належить не тільêи до МÃÓА):  баãатовимірний реãресійний аналіз SI = = SA = m;  повний (êомбінаторний) перебір (або ал- ãоритм óсіх реãресій) SI = 1, SA = m, Fs = Cs m ;  реãресійна процедóра «вêлючення» F = 1;  селеêційно-êомбінаторний ãенератор MULTI 1 < F < Cs m;  баãаторядна ітераційна процедóра МÃÓА SI = SA = 2 , NI > 1 тощо. Онтолоãія êритеріїв виборó моделі визначає êлючові параметри, яêі хараêтеризóють набір êритеріїв, що застосовóються на праêтиці для завдань стрóêтóрної ідентифіêації моделей оптимальної сêладності. Це набір параметрів 1 (.), 2 (.) 2ˆ( ),V s  , де 1 (.), 2 (.) — мóльти- пліêативний та адитивний члени, що мають сенс фóнêцій штрафó за сêладність моделі, V (s) — деяêий поêазниê яêості моделі, а ̂ — деяêа оцінêа невідомої дисперсії 2 , хараêте- ризóють óзаãальнений баãатофóнêціональний модóль êритеріїв, яêі застосовóються на праê- тиці в задачах стрóêтóрної ідентифіêації мо- делей [51, 53]. Отже, онтолоãічний аналіз предметної ãалó- зі дозволяє стрóêтóрóвати знання, óзаãальнити баãато різних методів, визначаючи їхні основ- ні параметри. Цей принцип значно спрощóє задачó êонстрóювання проãрманих засобів індóêтивноãо моделювання, дозволяючи бóдó- вати єдині баãатофóнêціональні модóлі, яêі охоплюють велиêий спеêтр можливих алãо- ритмів. Розãлянемо набір параметрів, де  елементом множини êласó моделей СМ є ki* = < лінійні реãресійні моделі >,  елементом множини ãенераторів стрóêтóр GS є gi* = <перебірні: повний перебір >,  елементом множини методів оцінювання параметрів ОP є pi* = < метод найменших êвад- ратів >,  елементом множини êласó CR êритеріїв яêості моделей є ri* = < êритерій реãóлярності >. Таêий набір параметрів основних елементів онтолоãії задає êомбінаторний алãоритм COMBI яê однó з найпоширеніших реалізацій МÃÓА [53]. Аналоãічно можна визначити онтолоãічні моделі для інших алãоритмів МÃÓА. Напри- êлад, яêщо елементом стрóêтóри ãенераторів GS є gi* = < направлений перебір: прямий по- шóê >, цей набір параметрів визначає перебір- ний алãоритм МÃÓА MULTI [41]. Ó випадêó, êоли елемент стрóêтóри ãенера- торів GS визначається яê gi* = < ітераційний алãоритм: релаêсаційний >, він задає релаêса- ційний ітераційний алãоритм РІА МÃÓА (GMDH RIA) [43]. Ó випадêó, яêщо елемент стрóêтóрних ãене- раторів GS має значення gi* = < ітераційний алãоритм: баãаторядний >, він задає баãаторя- дний ітераційний алãоритм БІА МÃÓА (MIA GMDH) [46]. Отже, онтолоãія дозволяє визначати яê заãа- льні правила побóдови алãоритмó (метаонтоло- ãія), таê і êонêретні параметри за реалізації при- êладної проãрами (онтолоãія задачі). Висновки Сóчасний світ не можливо óявити без виêорис- тання êомп’ютерів. В свою черãó в ãалóзі інфо- рмаційних технолоãій однією з найаêтóальні- ших проблем є розробêа та вдосêоналення ін- телеêтóальних êомп’ютерних систем, яêі пев- ною мірою моделюють процес мірêóвання лю- Рис. 7. Онтолоãія êритеріїв виборó моделі Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 29 дини. Таêі системи хараêтеризóються наявніс- тю засобів, що дозволяють наêопичóвати, ана- лізóвати та отримóвати новó інформацію авто- матично з óрахóванням її семантиêи. Для фóн- êціонóвання таêих засобів необхідно формалі- зóвати знання еêспертів і втілити їх ó виãляді, прийнятномó для êомп’ютерної обробêи. В оãлядовій частині статті поêазано, що од- ним з перспеêтивних шляхів таêоãо представ- лення знань є онтолоãія. Таêий підхід дозво- ляє об’єднати в одній стрóêтóрі дані різних типів, їхні властивості, задавати відношення між ними та визначати фóнêції їх інтерпрета- ції. Різний рівень óзаãальнення знань робить онтолоãії óніверсальним засобом представ- лення інформації різноãо рівня абстраêції, від найзаãальніших понять (онтолоãії вищоãо рів- ня, метаонтолоãії) до онтолоãій предметних ãалóзей і приêладних задач, яêі розв’язóють êонêретні завдання. Осêільêи МÃÓА є одним з ефеêтивних ме- тодів індóêтивноãо моделювання, аêтóальною задачею є аналіз та стрóêтóризація предметної ãалóзі з метою подальшої формалізації знань доменó. Онтолоãія є ефеêтивним сóчасним за- собом для подальшоãо виêористання наêопи- чених знань при розробці та модифіêації від- повідних проãрамних засобів. Для досяãнення мети вперше проведено ана- ліз ãалóзі індóêтивноãо моделювання з оãлядó на онтолоãічний інженірінã, визначено принципи побóдови відповідних онтолоãій різних рівнів — від метамоделі процесó моделювання до при- êладних онтолоãій задач. В резóльтаті досліджень визначено прин- ципи побóдови відповідних онтолоãій ãалóзі індóêтивноãо моделювання на основі МÃÓА різних рівнів. Подано приêлади елементів онтолоãій індóêтивноãо моделювання. Ви- значено êлючові параметри для основних сêладових процесó моделювання, що обóмов- лює можливість óзаãальнення та доцільність êонстрóювання баãатофóнêціональних про- ãрамних модóлів при розробці êомп’ютерних засобів індóêтивноãо моделювання на основі МÃÓА. Це істотно спрощóє розробêó проãра- мних êомплеêсів, заснованих на знаннях, та розширює можливості модифіêації існóючих êомп’ютерних систем моделювання для вирі- шення різних приêладних завдань. REFERENCES 1. Brooks, H., 1987. “Expert Systems and Intelligent Information Retrieval”, Information Processing & Management, 23 (4), pp. 367–382. 2. Bille, W., Pellens, B., Kleinermann, F. et al., 2004. “Intelligent Modelling of Virtual Worlds Using Domain Ontolo- gies”, Proc. of the Workshop of Intelligent Comp. (WIC), held in conjunction with the MICAI 2004 conf., Mexico, Mex- ico City, pp. 272–279, ISBN 968-489-024-9. 3. Mizoguchi, R., Bourdeau, J., 2002. “Using ontological engineering to overcome common AI-ED problems,” Jour- nal of Artificial Intelligence and Education, 11, pp. 107–121. 4. Berners–Lee Tim, 1998. Semantic Web Road map, [online] Available at: <https://www.w3.org/DesignIssues/ eman- tic.html> [Accessed 2 Sept. 1998]. 5. Berners–Lee, T., Hendler, J., Lassila, O., 2001. (May 17, 2001). The Semantic Web A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities. Scientific American, 284. pp. 34–43. doi:10.1038/scientificamerican0501-34, [https://web.archive.org/web/20130424071228/http://www.cs.umd.edu/~golbeck/ LBSC690/SemanticWeb.html]. 6. Gribova, V.V., Klescheev, A.С., 2012. “Ontological paradigm of programming”. Open Semantic Technologies for Intelligent Systems conference OSTIS-2012. pp. 213–220. [http://conf.ostis.net]. (In Russian). 7. Stepashko, V.S. “Conceptual bases of intellectual modeling”, Upravlвыŝie sistemy i maљiny, 2016, 4. pp. 3–15. (In Russian). 8. Stepashko, V.S., Savchenko, Ye.A., Pidnebesna, H.A., 2010. “Inductive modeling as a process of sequential deci- sion making”. Proc. the conf. "Intelligent decision making systems and artificial intelligence problems", Yevpatoria, May 17-21, 2010, Kherson: KhNTU, T. 2. pp. 187–191. (In Ukrainian). 9. Stepashko, V.S., 2010. “Elements of the theory of inductive modeling”. The state and prospects of the development of computer science in Ukraine: monograph. Kyiv: Naukova dumka, pp. 481–496. (In Ukrainian). 10. Stepashko, V.S., 1988. “GMDH algorithms as the basis for automating the process of modeling on experimental data”. Automation, 4. p. 44–55. (In Russian). Ã.А. Піднебесна 30 ISSN 0130-5395, Control systems and computers, 2018, № 3 11. Self-organizing Modeling, [online] Available at: <https://www.knowledgeminer.eu/about.html> [Accessed 16 Dec. 2017]. 12. Forecasting Software for Your Business, [online] Available at: <https://gmdhsoftware.com> [Accessed 12 Dec. 2017]. 13. Knowledge-based_systems, [online] Available at: <https://en.wikipedia.org/wiki/Knowledge-based_systems> [Accessed 16 Dec. 2017]. 14. Reid, G. smith., 1985. Knowledge-Based Systems. Concepts, Techniques. Examples, [online] Available at: <http://www.reidgsmith.com/ nowledge-Based_Systems_-_Concepts_Techniques_Examples_08-May-1985.pdf> [Accessed 15 Dec. 2017]. 15. Mettrey, W., 1987. “An Assessment of Tools for Building Large Knowledge-BasedSystems”. AI Magazine. 8(4), https://www.aaai.org/ojs/index.php/aimagazine/article/view/625/558. 16. Knowledge-based-systems, [online] Available at: <https://searchcio.techtarget.com/definition/knowledge-based- systems-KBS> [Accessed 17 Dec. 2017]. 17. Knowledge based systems, [online] Available at: <https://helpiks.org/7-85215.html> [Accessed 17 Dec. 2017]. 18. Pіdnebesna, H.A., 2013. “Conceptual development of ontology for the design of inductive modeling”. Inductive modeling of complex systems. Coll. sciences works. K .: MNNTІTS, 5, pp. 248–256 (In Ukrainian). 19. Valkman, Yu.R., 2011. Ontologies: formal and informal. Report at the seminar "Pattern computer", 08.11.2011, [online] Available at: <http://www.irtc.org.ua/image/seminars/archive/int> [Accessed 18 Dec. 2017] (In Russian). 20. Gruber, T.R., 1993. “A translation approach to portable ontologies”. Knowledge Acquisition, 5(2), pр.199–220. 21. Kryvyy, S.L., 2016. “Formalized ontological models in scientific research”. Upravlвыŝie sistemy i maљiny, 3, pp. 4– 15 (In Russian). 22. Gavrilova, T.A., Khoroshevsky, V.F., 2000. Knowledge bases in intellectual systems. SPb, 384 p. (In Russian). 23. Guarino, N. Understanding, Building, and Using Ontologies, [online] Available at: <http://ksi.cpsc.ucalgary.ca/ AW/KAW96/ uarino / guarino.html> [Accessed 7 Oct. 2017]. 24. Skobelev, P.O., 2012. “Ontologies of activity for situational management of enterprises in real time”. Design Ontol- ogy. Samara: New technology, 1, pp. 6–39. (In Russian). 25. Pospelov, D.A.,1989. “Intellectual interfaces for computers of new generations”. Electronic computing, Zbornik statey, M .: Radio and communication, 3, p. 4–20. (In Russian). 26. Pіdnebesna, H.A., 2014. “Ontologic training to the design of the interface in the inductive mode systems”. Inductive modeling of complex systems. Zbіrnyk nauk. prats. K .: MNNTІTS, 6. pp. 117–126. 27. Pіdnebesna, H.A., 2017. “Ontologies and values for the development of such information technologies”. Inductive modeling of complex systems. Zbіrnyk nauk. prats. K .: MNNTІTS, 9. pp. 174–187. 28. Velichko V., Malakhov K., Semenkov V., Strizhak A., 2014. Complex ontology engineering tools, [online] Available at: <https://arxiv.org/ftp/arxiv/papers/1802/1802.0682821.pdf> [Accessed 16 Oct. 2017]. 29. PALAGIN, A.V., KRYVYI, S.L., PETRENKO, N.G., 2012. “Ontological methods and tools for processing subject knowledge”. Lugansk: publishing of Dahl, 323 p. 30. OWL 2 Web Ontology Language Document Overview (Second Edition), [online] Available at: <https://www.w3.org/TR/ owl2-overview/> [Accessed 10 Oct. 2017]. 31. RDF Vocabulary Description Language 1.0: RDF Schema (RDFS), [online] Available at: <https://www.w3.org/ 2001/ sw/wiki/RDFS> [Accessed 10 Oct. 2017]. 32. Knowledge interchange format, [online] Available at: <https://uk.wikipedia.org/wiki/Knowledge_Interchange_ For- mat> [Accessed 10 Oct. 2017]. 33. Ding, L., Kolari, P., Ding, Z., Avancha, S, Finin, T, Joshi, A, 2005. Using Ontologies in the Semantic Web: A Sur- vey, [online] Available at: <https://ebiquity.umbc.edu/_file_directory_/papers/209.pdf> [Accessed 20 Oct. 2017]. 34. Protege - Stanford University, [online] Available at: <https://protege.stanford.edu/> [Accessed 20 Oct. 2017]. 35. Open Knowledge Base Connectivity Home Page, [online] Available at: <http://www.ai.sri.com/~okbc/> [Accessed 20 Oct. 2017]. 36. Stepashko, V.S., 1979. “Optimization and generalization of schemes for sorting models in algorithms of GMDH. Automation, 4. pp. 36–43 (In Russian). 37. Valkman Yu.R., Stepashko P.V., 2015. “On the way of building ontology of intellectual modeling”. Inductive model- ing of complex systems. Coll. sciences works. K .: MNNTІTS,7, pp. 101–115 (In Russian). 38. Pіdnebesna, H.A., Stepashko, P.V., 2018. “Ontological characteristics of the process of intellectual modeling”. ISDMCI'2018, Zaliznyi Port. Kherson: KhNTU Publishing House, pp. 272-274. (In Ukrainian). 39. Stepashko, V.S., 1991. “On the task of structuring knowledge of an expert in the field of modeling by empirical da- ta”. Kibernetika i vycislitelnaa tehnika, 92, pp. 80–83. (In Russian). 40. Stepashko, V.S., Yefimenko, S.M., Savchenko, Ye.A., 2014. Computer experiment in inductive modeling. Kyiv: Naukova Dumka, 222 p. (In Ukrainian). 41. Stepashko, V.S., 1981. “Combinatorial algorithm GMDH with the optimal scheme of sorting models”. Automation, 3, pp. 31–36. (In Russian). Онтолоãічний підхід до побóдови метамоделі предметної ãалóзі індóêтивноãо моделювання ISSN 0130-5395, УСиМ, 2018, № 3 31 42. Stepashko, V.S., 1983. “The final selection procedure for reducing the total enumeration of models”. Automation, 4, pp. 84–88. (In Russian). 43. Stepashko, V.S., Bulgakova, O.S., Zosimov, V.V., 2018. “Interactive algorithms for inductive modeluvania”. K .: Naukova Dumka, 190 p. (In Ukrainian). 44. Moroz, O.H., Stepashko, V.S., 2016. “Porous analogous generators of model structures for the intergenerational algorithms of GMDH”. Inductive modeling of complex systems. Coll. sciences works. K .: MNNTІTS, 8, pp. 117– 126. (In Ukrainian). 45. Stepashko, V.S., KOCHERGA, Yu.L., 1985. “Methods and criteria for solving problems of structural identifica- tion”. Automation, 5, pp. 29–37. 46. Stepashko, V., BULGAKOVA, O., ZOSIMOV, V., 2017. “Construction and Research of the Generalized Iterative GMDH Algorithm with Active Neurons”. Advances in Intelligent Systems and Computing II, v. 689, pp. 492–510. https://doi.org/10.1007/978-3-319-70581-1. 47. Moroz, O., Stepashko, V., 2017. “Hybrid sorting-out algorithm COMBI-GA with evolutionary growth of model complexity”. Advances in Intelligent Systems and Computing II, v. 689, pp. 346–360. https://doi.org/10.1007/ 978-3- 319-70581-1_25. 48. Stepashko, V., Yefimenko, S., 2008. “Paralleling for Solving of Modelling Problems”. Proceedings of the II Interna- tional Conference on Inductive Modelling ICIM–2008, 15–19 September 2008, Kyiv, Ukraine. Kyiv: IRTC ITS NANU, pp. 172–175. 49. Stepashko, V.S., Yefimenko, S.N., “Sequential estimation of parameters of regression models”. Kibernetika i sis- temny analiz. 2005, 4, pp. 184–187. (In Russian). 50. Ivakhnenko, A.G., Savchenko, E.A., 2008. “Investigation of efficiency of additional determination method of the model selection in the modeling problems by application of GMDH algorithm”. J. Autom. Inf. Sci. 40(3), 2, pp. 47–58. 51. Stepashko, V.S., Pіdnebesna, G.A., 2011. “Concepts of the flexible multifunctions of the modular modules are the basis of the design of inductive modeling”. Inductive modeling of complex systems. Coll. sciences works. K .: MNNTІTS, 3, pp. 216–223. (In Ukrainian). 52. Pidnebesna, H., 2017. “On Constructing Ontology of the GMDH-based Inductive Modeling Domain”. Proceed- ings of the XII IEEE International Conference CSIT–2017 & International Workshop on Inductive Modeling, Sep- tember 05–08, 2017, Lviv, Ukraine. Lviv: Publisher “Vezha&Co”, pp. 511–513. 53. Pidnebesna, H., Stepashko, V., 2018. “On Construction of Inductive Modeling Ontology as a Metamodel of the Subject Field”. Proceedings of the International Conference “Advanced Computer Information Technologies” ACIT– 2018, Ceske Budejovice, Czech Republic, June 1–3, pp. 137–140. ISBN 978-966-654-489-9. Received 05.09.2018 Halyna Pidnebesna, junior research scientist, Departament for Technologies of Inductive Modelling, International Research and Training Center for Information Technologies and Systems of the NAS and MES of Ukraine, Glushkov ave., 40, Kyiv, 03187, Ukraine, pidnnebesna@ukr.net ONTOLOGICAL APPROACH TO THE DESIGNING METAMODEL OF THE SUBJECT AREA OF INDUCTIVE MODELLING Introduction. In the field of information technology, one of the most actual problems is the development and improvement of intelligent computer systems that to a certain degree simulate the process of human reasoning. For their functioning it is necessary to formalize knowledge of experts and implement them in a form that is acceptable for computer processing. One of the promising ways of this representation is ontology. An ontological approach allows to combine in a single struc- ture the data of various types, their properties, to define relations between them and to define the functions of their inter- pretation. Different level of knowledge generalization makes ontology a universal means of representing information of various levels of abstraction, from the most general concepts (ontology of higher level, metanetology) to ontologies of sub- ject areas and applied tasks that solve specific problems. GMDH is one of the effective methods of modeling of complex systems by statistical data. The actual task is the analy- sis and structuring of the subject area in order to further formalize the knowledge of the inductive modeling domain based on GMDH. The purpose of the article. To analyze and to structure the domain of the inductive modeling based on GMDH with the aim of further formalization of domain knowledge using ontologies. Methods. Basic definitions, characteristics and approaches are based on the review and analysis of thematic publica- tions and the results of our own research. Result. The analysis of the industry of inductive modeling from the point of view of ontological engineering is carried out, the principles for constructing the corresponding ontologies of various levels are defined — from the metamodel of the modeling process to applied task ontologies. Ã.А. Піднебесна 32 ISSN 0130-5395, Control systems and computers, 2018, № 3 Fragments of ontologies of the main components of the inductive modeling process are given. Key parameters were determined, which made it possible to generalize and expedient the design of multifunctional software modules when de- veloping the computer-based inductive modeling tools based on GMDH. Conclusion. The result of the analysis and structuring of the GMDH based inductive modeling subject area allows to simplify the development of the software systems based on knowledge, to expand the possibility of modifying the existing computer simulation systems and to solve various applied problems. Keywords: ontology, inductive modeling, GMDH, metemodel. Ã. Поднебесная, мл. наóч. сотр., отдел информационных технолоãий индóêтивноãо моделирования, Междóнародный наóчно-óчебный центр информационных технолоãий и систем НАН Óêраины и МОН Óêраины, просп. Ãлóшêова, 40, Êиев 03187, Óêраина, pidnnebesna@ukr.net ОНТОЛОÃИЧЕСÊИЙ ПОДХОД Ê ПОСТРОЕНИЮ МЕТАМОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ ИНДÓÊТИВНОÃО МОДЕЛИРОВАНИЯ Введение. В области информационных технолоãий одной из наиболее аêтóальных проблем является разработêа и совершенствование интеллеêтóальных êомпьютерных систем, в определенной степени моделирóющих про- цесс рассóждения человеêа. Для фóнêционирования таêих средств необходима формализация знания эêспертов и воплощение их в виде, приемлемом для êомпьютерной обработêи, в частности, в виде онтолоãии. Онтолоãи- чесêий подход позволяет объединять в одной стрóêтóре данные различных типов и их свойства: задавать отно- шение междó ними и определять фóнêции их интерпретации. Разный óровень обобщения знаний делает онтоло- ãии óниверсальным средством представления информации различноãо óровня абстраêции — от общих понятий (онтолоãии высшеãо óровня, метаонтолоãии) до онтолоãий предметных областей и приêладных задач, êоторые решают êонêретные задачи. МÃÓА — один из эффеêтивных методов моделирования сложных процессов по статистичесêим данным. Поэтомó аêтóальна задача анализа и стрóêтóрирования предметной области индóêтивноãо моделирования на основе МÃÓА с целью дальнейшей формализации знаний домена посредством онтолоãий. Цель статьи. Провести анализ и стрóêтóрирование предметной области индóêтивноãо моделирования на основе МÃÓА с целью дальнейшей формализации знаний домена посредством онтолоãий. Методы. Базовые определения, хараêтеристиêи и подходы основываются на обзоре и анализе тематичесêих пóблиêаций и резóльтатах собственных исследований. Резóльтат. Проведен анализ отрасли индóêтивноãо моделирования с позиции онтолоãичесêоãо инжини- ринãа: определены принципы построения соответствóющих онтолоãий различных óровней — от метамодели процесса моделирования до приêладных онтолоãий задач. Приведены фраãменты онтолоãий основных составляющих процесса индóêтивноãо моделирования. Опре- делены êлючевые параметры, что обóсловливает возможность обобщения и целесообразность êонстрóирования мноãофóнêциональных проãраммных модóлей при разработêе êомпьютерных средств индóêтивноãо моделиро- вания на основе МÃÓА. Заêлючение. Резóльтаты анализа и стрóêтóризации предметной области индóêтивноãо моделирования на основе МÃÓА позволяют сóщественно óпростить разработêó проãраммных êомплеêсов, основанных на знаниях, и расширить возможность модифиêации сóществóющих êомпьютерных систем моделирования для решения различных приêладных задач. Êлючевые слова: онтолоãия, индóêтивное моделирование, МÃÓА, метамодель.

Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання

Репозитарії

Схожі ресурси