Issn 2306-7365 Ғылыми журнал 1996 жылдың қарашасынан бастап екі айда бір рет шығады

83 
 
    
 
              АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
 
Популяцияда ТА таралуы моделіндегі теңдеулердегі коэффициенттерді  
анықтау 
үшін 
туберкулезге 
қарсы 
мекемелердегі 
медициналық 
статистикалық  мәліметтер,  сондай-ақ,  ашық  баспасөздегі  және  интернет 
желісінен алынған мәліметтер пайдаланылды. Есептеу тәжірибелерін жүргізу 
үшін 
1995-2005 
жылдар 
аралығындағы 
берілгендер 
қолданылды. 
Эпидемиялық  жағдайды  басқарудың  түрлі  стратегияларының  оның 
көрсеткіштеріне  әсерін  зерттеу  үшін  имитациялық  тәжірибелер  тізбегі 
жүргізілді.  Тәжірибе  жүргізудің  бастапқы  шарттары  мынадай  алынды: 
S=9·10
5
,
 
I
f
=0,2·10
5
, 
I
s
=3,8·10
5
, 
T
a+
=0,19·10
5
,
 
T
a-
= 
0,11·10
5
,
 
T
at
= 
0,3·10
5
,
.
T
an
=0,6·10
5
,  П=2,25·10
5
.  Қобалжу  туғызатын  әсерге  модельдеу 
жүргізілді  –  инфекцияны  таратушы  топтарға  берілетін  миграциялық  ағын 
σ=1000 нормаль заңы бойынша үлестірілген кездейсоқ шама ретінде алынды.  
Сонымен, 
[4] 
келтірілген 
классификация 
бойынша 
құрылған 
бағдарламалық  кешен  пассив  түрге  жататын  болып,  басқару  шешімдерін 
сүйемелдеуші жүйелер модельдері арқылы басқарылады.  
 
ӘДЕБИЕТТЕР 
 
1.
 
Туберкулёз: современные подходы к диагностике, мониторингу и лечению. – 
Тверь: ООО «Губернская медицина», 2001. - 241 с. 
2.
 
Ажмуратова  М.А.,  Амиреев  С.А.,  Мусирова  К.Ж.  Ақтөбе  облысындағы 
туберкулез  ауруын  анықтау  мәселелері  /Тезисы  докладов  III  съезда  врачей  и 
провизоров Республики Казахстан 18-19 октября 2007. − Астана, 2007. − Том 1, ч. 2. 
− С. 14.  
3.
 
Авилов  К.К.,  Романюха  А.А.  Математические  модели  распространения  и 
контроля туберкулеза //Математическая биология и биоинформатика. –2007. –Т. 2. –
№2. –С. 188-318.    
4.
 
Сараев А.Д. Системный анализ и современные информационные технологии 
//А.Д.Сараев,  О.А.Щербина.  Труды  Крымской  Академии  наук.  Симферополь: 
СОНАТ, 2006. –С. 47-59. 
 
РЕЗЮМЕ 
В  работе  рассмотрены  проблемы  планирования  распределения  ресурсов  между 
процессами  активного  выявления  и  лечения  больных  туберкулезом.  Для  оценки  стратегии 
распределения  ресурсов  разработана  информационная  система  на  основе  имитационного 
моделирования.  Проведены  имитационные  эксперименты  по  изучению  влияния  различных 
стратегий управления эпидемической ситуацией на её показатели. 
(Султанов  М.А.,  Байметов  Ф.Т.  Разработка  информационной  системы  оценки  стратегии 
распределения ресурсов в управлении эпидемической ситуации) 
 
SUMMARY 
In this paper the problem of planning the allocation of resources between the processes of active 
detection and treatment of TB patients. To estimate the resource allocation strategy is designed on the 
basis of the information reference system simulation. Conducted simulation experiments to study the 
effect of different management strategies for the epidemiological situation on its performance. 
(Sultanov M.A., Baimetov F.T. Information System Evaluation Strategy Distribution Resources 
Management Epidemic Situation) 

84 
 
   
АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
  
ИНФОРМАТИКА 
 
УДК 005.74 
 
А.Н.ТЕМИРБЕКОВ 
кандидат технических наук,  
профессор МКТУ им. Х.А.Ясави 
 
С.К.ТУРЕЖАНОВ 
старший преподаватель МКТУ им. Х.А.Ясави 
 
А.С.КОЖАНОВА 
магистрант МКТУ им. Х.А.Ясави 
 
Е.С.БЕРКИНОВ 
магистрант университета «Сырдария» 
 
ВЫЧИСЛЕНИЕ ВАЖНОСТИ ФРАГМЕНТАЛЬНЫХ ЗНАНИЙ 
 
В  данной  работе  предлагается  гистограммный  метод  оценки  важности 
фрагментальных знаний, имеющих локальные и глобальные свойства. Приведены 
определения  локального  и  глобального  свойств  фрагментальных  знаний. 
Предлагается  алгоритм  оценки  важности  фрагментальных  знаний  на  основе 
визуальной обработки экспериментальных данных. 
 
Ключевые  слова:  фрагментальное  знание,  алгоритмизация,  важность, 
локальный, глобальный, гистограмма, математическое ожидание, совокупность. 
 
Введение. Наука ФРАГМЕНТАЛЬНА – в том смысле, что изучает не бытие 
в целом, а различные фрагменты реальности или ее параметры. Познать объект - 
это  значит  получить  систему  знаний  о  нем,  а  сделать  это  невозможно  без 
систематизирующей  деятельности.  Исследователь  только  тогда  может 
заниматься  систематизирующей  деятельностью,  когда  у  него  самого  будут 
прочно сформированы понятия «система», «структура системы», «виды систем», 
«единичное», «общее». Сама деятельность по получению системного результата 
имеет  свои  особенности  и  характеристики,  которые  необходимо  знать  и  уметь 
использовать.  Под  влиянием  системного  подхода  в  науке  все  более  актуальной 
становится проблема оценки важности фрагментальных знаний [1-4].  
Высшие уровни систематизации знаний – это уровни познания «сущности», 
«общего»  и  «всеобщего»,  отражающие  познание  мира  в  закономерностях  его 
изменения  и  развития.  Из  этих  соображений  порождается  понятие  важности 
фрагментальных  знаний.  В  принципе 
фундаментальные  знания  формируются 
из  важных  фрагментальных  знаний.  Поэтому  оценка  важности 
фрагментальных знаний является актуальной проблемой [2,3].
 
Цель  работы.  Алгоритмизация  оценки  важности  фрагментальных 
знаний  на основе визуальной обработки экспериментальных данных. 

85 
 
    
 
              АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
 
Метод  решения.  По  своей  диалектической  природе  знание  имеет  два 
свойства:  глобальное  и  локальное.  Когда  у  фрагментальных  знаний  совпадают 
эти два свойства, они приобретают фундаментальный характер.  
Определение  1.  То,  что  объекты  (явления)  оказываются  либо  сходными, 
либо  отличными  друг  от  друга  называются  фрагментальными  знаниями  об 
объекте. 
Определение  2.  Глобальным  свойством  знаний  является  такое  свойство, 
благодаря  которому  каждое  из  фрагментальных  знаний  отдельно  взятое 
необходимо,  а  все  вместе  взятые  достаточны,  чтобы  с  их  помощью  отличить 
данный объект от всех остальных по той его стороне, которая  связана в самом 
предмете  со  всеми  его  сторонами,  что  распознав  эту  сторону  можно  уяснить 
зависимость других сторон распознаваемого объекта от нее.  
Определение  3.  Локальным  свойством  знаний  является  такое  свойство, 
благодаря  которому  определяется  группа фрагментальных знаний,  необходимая 
для  распознавания  объекта  по  известной  его  стороне,  причем  сторона  эта 
устанавливается задачей, выдвигаемой практикой в каждом конкретном случае. 
Фундаментальным 
знанием 
называется 
такое, 
которое 
образует 
фрагментальные  знания  с  совпадающими  глобальными  и  локальными 
свойствами в виде различных отношений.  
Исходя  из  этих  определений,  с  помощью  визуальной  обработки  СД 
(системы  данных),  мы  можем  оценить  степень  существенности  каждого 
фрагментального  знания  или  каждой  строки  таблицы  эмпирических  данных 
(ТЭД). Эта существенность будет оценкой локального свойства фрагментальных 
знаний.  
Ниже  приведем  основные  этапы  определения  локального  свойства 
фрагментальных знаний методом гистограмм. 
В  процессе  организации  таблицы  вводится  некое  общее  условие  вне 
зависимости  от  класса,  т.е.  организация  классов  подчиняется  введенному 
условию. Обычно такие условия вводятся практиком:  
K
1
  >  K
2
  >  ....>K
l 
. Отметим, что от организации обработки СД в виде ТЭД 
зависят  многие  результаты  проведенных  исследований.  Обычно  многие 
инженеры  знаний  не  обращают  на  это  внимание,  вследствие  чего  некоторые 
результаты часто остаются не внедренными в практику.  
а) Обычный тип (симметричный или колоколообразный). Среднее значение 
гистограммы  приходится  на  середину  размаха  данных.  Наивысшая  частота 
оказывается  в  середине  и  постепенно  снижается  к  обоим  концам.  Форма 
симметрична. 
Примечание. Это именно та форма, которая встречается чаще всего. 
б)  Гребенка  (мультимодальный  тип).  Классы  через  один  имеют  более 
низкие частоты. 
Примечание. Такая форма встречается, когда число единичных наблюдений, 
попадающих  в  класс,  колеблется  от  класса  к  классу  или,  когда  действует 
определенное правило округления данных. 
в)  Положительно  скошенное  распределение  (отрицательно  скошенное 
распределение).  Среднее  значение  гистограммы  локализуется слева (справа) от  

86 
 
  АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
 
центра размаха. Частоты довольно резко спадают при движении влево (вправо) и, 
наоборот, медленно вправо (влево). Форма асимметрична.   
Примечание.  Такая  форма  встречается,  когда  нижняя  (верхняя)  граница 
регулируется  либо  теоретически,  либо  по  значению  допуска  или  когда  левое 
(правое) значение недостижимо. 
г)  Распределение  с  обрывом  слева  (распределение  обрывом  справа). 
Среднее  арифметическое  гистограммы  локализуется  далеко  слева  (справа)  от 
центра  размаха.  Частоты  резко  спадают  при  движении  влево  (вправо)  и, 
наоборот, медленно вправо (влево). Форма асимметрична.  
Примечание.  Это  одна  из  тех  форм,  которые  часто  встречаются  при  100%-
ном просеивании переменных из-за плохой воспроизводимости процесса, также, 
когда  проявляется  резко  выраженная  положительная  (отрицательная) 
асимметрия. 
д) Плато (равномерное и прямоугольное распределения). Частоты в разных 
классах  образуют  плато,  поскольку  все  классы  имеют  более  или  менее 
одинаковые ожидаемые частоты с конечными классами. 
 Примечание.  Такая  форма  встречается  в  смеси  нескольких  распределений, 
имеющих различные средние. 
е) Двухпиковый тип (бимодальный тип). В окрестностях центра диапазона 
данных частота низкая, зато есть по пику с каждой стороны.  
Примечание.  Такая  форма  встречается,  когда  смешиваются  два 
распределения с далеко отстоящими средними значениями. 
ж)  Распределение  с  изолированным  пиком.  Наряду  с  распределением 
обычного типа появляется маленький изолированный пик. 
 Примечание. Это форма, которая появляется при наличии малых включений 
данных  из  другого  распределения,  как,  в  случае  нарушения  нормальности 
процесса,  появления  ошибки  измерения  или  просто  включения  данных  из 
другого процесса. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
а) Обычный тип
б) Гребенка
в ) Положительно 
скошенное распределение
 
г) Распределение с 
обрыв ом слев а
д) Плато
е) Двухпиковый тип

87 
 
    
 
              АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
   
 
 
 
 
 
 
 
Рисунок 1. Основные виды гистограмм для оценки локального свойства признаков. 
 
Далее  мы  выбираем  для  ТЭД  общую  абсциссу,  т.е.  такой
 
параметр,  от 
которого одновременно зависят все изучаемые фрагментальные знания, а по 
оси  ординат  ставятся  сами  знания.  При  применении  на  этой  системе 
измерения фрагментальные знания превращаются в эмпирические кривые.  
Необходимые определения: 
1.
 
Алфавит  признака.  Допустим,  что  задана  совокупность  множеств  
m
  
1,
j
  
,
 
j
A
,    которая  называется  множеством  фрагментальных  знаний 
исследуемого  объекта  (явления),  зависящие  от  фиксированных  параметров, 
a
ij
–элементы  этого  множества,  т.е.  a
ij
A
j
;  а  их  элементы  –  значениями 
соответствующих признаков. Параметром может быть время, пространство и 
т.п.  
2.
 
Объект  исследования.  Под  ним  мы  будем  понимать  многомерный 
вектор, компонентами которого являются конкретные значения из заданного 
алфавита.  Так,  если  некоторый  исследуемый  объект  обозначить  через  S
i
,  а 
признаки  соответственно  через   
 
m
 
1,
 
 
j
 
,
 
p
 
1,
 
 
i
   
),
 
(
 
ij
a
,    то  объект 
будет  эмпирическим  (экспериментальным),  если   
 
 
 
)
(
 
j
A
ij
α
.  Очевидно, 
что  набор  значений  признаков,  соответствующий  одному  объекту,  при 
фиксированном  значении   
)
(
ij
 
 
)
(
S
 
  
,
 
a
i
    представляет  собой 
экспериментальную  точку  признакового  пространства,  т.е.  строку  ТЭД  – 
являющуюся фрагментальным знанием. 
3.
 
Таблица 
эмпирических 
(экспериментальных) 
данных 
(ТЭД). 
Совокупность 
   
p
 
1,
 
i
  
,
 
)
(
 
(i)
i
S
  экспериментальных  точек,  являющиеся 
фрагментальными  знаниями,  каждое  из  которых  характеризуется  набором 
 )
(
 
 
 
(i)
ij
a
  (это и есть значения эмпирических (экспериментальных) данных) 
признаков,  можно  свести  в  ТЭД    T
mp
,  где  строками  являются  фрагментальные 
знания, а столбцами –  значение признаков, описывающих эти знания. При этом 
каждую  строку  следует  ставить  на  свое  место  так,  чтобы  совокупность  строк 
таблицы  стала  эмпирической  кривой  L  ,  зависящей  от  условия    .  Где  каждая 
точка  будет  соответствующей  строкой  таблицы, а сама  кривая – описывающей  
 
 
ж) Распределение с 
изолированным пиком 

88 
 
  АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
 
изучаемый  процесс.  Такую  таблицу  будем  называть  допустимой  таблицей 
фрагментальных знаний(ТФЗ) 
mp
T
.  
Задание алгоритма. 
1-шаг.  Для  ТЭД   
mp
T
,  где  m  –  число  строк,  p  –  число  столбцов,  строятся 
гистограммы  Г
1
, Г
2
,…Г
p
. Где  
1
31
21
11
k1
31
21
11
1
 
....
  
   
    
 
  
....
 
  
  
k
n
n
n
n
a
a
a
a
Г
 
2
32
22
12
k2
32
22
12
2
 
....
  
   
    
 
  
....
 
  
  
k
n
n
n
n
a
a
a
a
Г
 
3
33
23
13
k3
33
23
13
3
 
....
  
   
    
 
  
....
 
  
  
k
n
n
n
n
a
a
a
a
Г
 
               …………………………… 
kp
p
p
p
p
p
n
n
n
n
a
a
a
a
Г
 
....
  
   
    
 
  
....
 
  
  
3
2
1
kp
3p
2p
1
 
2-шаг. 
Вычисляются 
статистические 
характеристики  для 
каждой 
гистограммы  т.е.   
k
i
ij
k
i
ij
i
j
n
n
a
x
1
1
           
k
i
ij
ij
k
i
i
j
n
n
x
a
1
2
1
)
(
 ,  
p
j
,
1
 
Таким образом, гистограммы для j-го признака формально можно написать в 
виде  
)
,
(
j
j
j
x
Г
.
 
3-шаг.  Визуализируются  гистограммы 
p
j
x
Г
j
j
j
,
1
 
),
,
(
,  где  по 
оси абсцисс ставится значение центра сгруппированного интервала, а 
по оси 
ординат  –  значение  встречаемости.  Т.е.  для  каждого  значения    признака 
p
j
a
ij
,
1
 
,
 
   
находится  значение  встречаемости,  а  для  каждой  этой  точки  – 
интервал  
2
  
,
2
c
a
a
c
ij
ij
    в пространстве (na) 
Где  нижние  и  верхние  точки  этих  интервалов  соединяются  вертикально  с 
осью абсцисс. 
Отложим значения  
p
j
k
i
a
ij
,
1
  
,
 
,
1
  
,
   на оси абсцисс, где в каждой 
точке вставим перпендикуляр соответствующей длины n
ij
 . 
Благодаря чему, мы получим точки a
ij
. Совокупность этих точек называется 
огибой случайной величины  . Теперь распространим каждое значение n
ij
 на весь 
интервал  [a
ij 
-c/2, a
ij
+c/2].   Геометрически   это   равносильно   тому,   что   через  

89 
 
    
 
              АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
   
каждую  точку  a
ij
  проводится  горизонтальный  отрезок  длины  с.  Получится 
ступенчатый  график  на  промежутке  от  –c/2  до  n+c/2,  и  этот  график  будет 
называться  гистограммой  Г,  имеющий  свои  основные  характеристики   
 
 ,
x
,  
т.е.  
 
).
 ,
(x
Г
  
 
Таким образом, на рис.3.2.3 показана визуальная форма гистограммы. 
 
 
Количество таких гистограмм будет  p. 
4  шаг.  На  этом  этапе  алгоритма  производится  перекрытие  гистограмм  друг  на 
друга, т.е. находится: 
Г
1
 - Г
2
,  Г
1
 – Г
3
,  Г
1
 – Г
4
 …… Г
1
 – Г
p
 
Г
2
 – Г
3
,  Г
2
 – Г
4
 …… Г
2
 – Г
p 
- - - - - - - - - - - - - - - - - - - - - - - - 
       
                                               Г
p-1
 – Г
p 
5-шаг. Визуально определяются гистограммы, имеющие следующие свойства: 
Гистограмма соответствующая  
будет  характеризовать  фрагментальное  знание,  имеющее  сильное  локальное 
свойство. 
С  другой  стороны,  можно  доказать  теорему  о  существовании  признаков, 
имеющих одновременно выраженное локальное и глобальное свойства. 
Теорема  1.  Если  математическое  ожидание  и  среднеквадратичное 
отклонение (СКО) удовлетворяет условию 
             
 
,
g
g
L
L
m
M
m
                 (1) 
,
m
a
m
ig
g
 
 
,
1
2
m
m
a
m
i
g
ig
g
 
случае,
 
противном
 
в
  
,
1
 
наклон;
 
ный
положитель
  
имеет
 
признак
 
глобальный
 
когда
 
случая,
 
для
 
min
,
1 m
k
kg
ig
a
a
где a
ig
 – i-ое значение глобального признака; 
то  можно  построить  признак,  обладающий  и  локальным  и  глобальным 
свойствами. 
Доказательство. Построим новое фрагментальное знание для точки i, где  
 
..... n
   n
    n
n
 
.... a
 a
 a
a
x
Г
mp
np
p
p
p
p
з
1
3
2
1
3
2
1
p
)
 ,
(
 
p
x
p
Г
Г
Г
Г
Г
Г
 
......
 
 
,
max
 
......
 
 
,
min
2
1
2
1

90 
 
  АХМЕТ ЯСАУИ УНИВЕРСИТЕТІНІҢ ХАБАРШЫСЫ, №1, 2013 
глобальный имеет  положительный  наклон.  Положим  
kg
m
k
N
ig
a
a
,
1
min
  Для   
всех 
точек, в которых имеется отрицательный наклон, положим 
.
1
N
ig
a
  
В результате получаем новый признак с математическим ожиданием 
 
,
m
a
m
N
ig
N
g
           (2),  
.
1
2
m
m
a
m
i
N
g
N
ig
N
g
                (3) 
Положим 
.
N
g
N
g
m
M
 Из соотношения (1) видно, что построенный новый 
признак  имеет  столько  же  пересечений,  сколько  у  признака  обладающего 
глобальным  свойством  по  построению,  а  также 
.
L
L
N
g
N
g
m
m
M
 
Отсюда  следует,  что  построенный  признак  обладает  локальным  и  глобальным 
свойствами. 

жүктеу/скачать 6,74 Mb.

Достарыңызбен бөлісу: