Вестник Кольского научного центра РАН. 2018, №2.

А. Я. Фридман формируется весами QD и/или добавлением/удалением экземпляров (individuals, objects), в том числе прототипов. Степень типичности экземпляров определяется их расстоянием до прототипа. Соответственно, в каждой категории некоторые члены считаются более представительными, чем другие [8-11]. Классификация объектов осуществляется путем определения их сходства с прототипом. Экземпляры выше некоторого порога сходства с прототипом принимаются как члены категории, все остальные экземпляры не являются членами. Прототипом не всегда служит один из реальных экземпляров, входящих в категорию, это может быть и некоторый идеальный набор значений атрибутов. Основная идея заключается в том, что мозаику (диаграмму) Г. Вороного [10, 21], построенную вокруг прототипов по правилу ближайшего соседа, можно использовать для определения порога сходства, который формирует границы категорий. Другими словами, прототипы и базовое отношение сходства с ними применимы для разбиения концептуального пространства на категории, причем при использовании эвклидовой метрики категории обладают свойством выпуклости. Поиск шаблона в графах и ситуационная осведомленность Сопоставление графов (Graph Matching) — это классический оптимизационный подход, который изучается в течение ряда лет и рассматривает два независимых графа. Первый граф называется графом данных (также входным графом) и содержит всю информацию с датчиков, собранную в определенной предметной области. Второй граф — граф шаблона (также именуется гипотезой/шаблоном/образцом) — описывает некоторую сигнатуру информации, которая интересует аналитика. Обычно шаблонный граф намного меньше, чем граф данных, и требуется исследовать синтаксическую и семантическую встречаемость шаблона в графе данных. Графовые представления широко используются для обработки структурированной информации в разных областях, таких как сети, психосоциология, интерпретация изображений, распознавание образов и т. д. Одна из важных проблем, которые необходимо решать при использовании таких представлений, — это сопоставление графов. Для достижения хорошего соответствия между двумя графами наиболее часто используется концепция изоморфизма графов, и много публикаций посвящено поиску наилучшего соответствия между двумя графами или подграфами. Однако в ряде случаев требование изоморфизма слишком сильное, тогда применяют методы неточного сопоставления графов [12-14], здесь два графа можно сравнить, даже если они семантически различны. В еще более слабом виде соответствия — «гомеоморфизме» — исключается условие, что вершины первого графа должны отображаться в разные узлы другого. Все упомянутые выше задачи NP-полны. В неточном сопоставлении графов [14] некоторые строгие условия, налагаемые точным сопоставлением, ослаблены для учета возмущений в системе. В этом случае два узла, которые не удовлетворяют условию сохранения края, могут быть сопоставлены, но есть стоимость, назначенная этому отображению. Оптимальные алгоритмы неточного сопоставления всегда находят точное решение, если оно существует. Приближенный или субоптимальный алгоритм сопоставления обнаруживает локальные минимумы, которые могут быть далеко от глобальных минимумов. В задачах оценки ситуации (см. обзор [22]) состояние объектов и отношения между ними также удобно представлять в виде графов. В настоящее время концепция ситуационной осведомленности (СО) (situation(al) awareness) описывает наиболее общие принципы подготовки и обработки информации для реализации ситуационного подхода в динамических предметных областях [18, 22-24]. Ситуационная осведомленность включает в себя осознание того, что происходит в окружающей среде, чтобы понять, как информация, события и собственные действия будут влиять на цели и задачи в текущий момент и в ближайшем будущем. Недостаточную или неверную осведомленность о ситуации считают одним из основных факторов, связанных ВЕСТНИК Кольского научного центра РАН 2/2018(10) 101