Технологическое предвидение предусматривает обработку информации о большом количестве разнородных объектов – от объектов реального мира до полученных альтернатив сценариев. Автоматическая классификация была и остается одним из наиболее используемых методов предварительной обработки большого количества разнородных данных. Классификация может выполняться как над объектами в пространстве признаков, так и на основании информации о попарном «сходстве» объектов. Понятие «кластер» остается, однако, не формализованным. Адекватность итоговой классификации может быть оценена только на основании искусственно введенных критериев. Рассматриваются процедуры классификации объектов, информация о сходстве которых задается функцией попарного сходства со значениями в линейно упорядоченном множестве. Результат классификации представляет собой набор нечетких множеств на множестве объектов, функции принадлежности которых принимают значения в линейно упорядоченном множестве. Для проверки качества и адекватности получаемой классификации необходимо предложить ряд условий, которым, для достижения необходимых свойств, должны удовлетворять как результаты, так и сами процедуры классификации. Предлагаемые условия должны сопровождаться указаниями по их применению.
Моделирование, идентификация, синтез систем управления: Сборник тезисов одиннадцатой Международной научно-технической конференции (14–21 сентября 2008 г.). – Донецк: Изд. Института прикладной математики и механики НАН Украины, 2008. – С. 31.

Сучасний етап розвитку свiтового суспiльства характеризується глобалiзацiєю iнформацiйних, технологiчних та соцiально-економiчних процесiв, стрiмким зростанням кiлькостi та складностi взаємозв’язкiв мiж елементами глобальних систем та збiльшенням кiлькостi непрогнозовних факторiв ризику, що впливають на великi економiчнi, соцiальнi, екологiчнi та технiчнi системи. Стратегiчне планування розвитку країн, регiонiв, великих мiст та пiдприємств в таких умовах є необхiдною, але й одночасно дуже складною задачею. Велика кiлькiсть взаємозв’язкiв, погана формалiзованiсть та невизначенiсть характеристик факторiв, що впливають на розвиток дослiджуваних об’єктiв, обмежують застосування вiдомих кiлькiсних методiв прогнозування. Методологiя передбачення грунтується на застосуваннi методiв якiсного аналiзу i дозволяє поєднувати класичнi методи кiлькiсного аналiзу та прогнозування з експертними методами якiсного аналiзу, що робить можливим розв’язання бiльш широкого класу задач стратегiчного планування, пов’язаних, зокрема, з високим рiвнем невизначеностi даних та структури дослiджуваних об’єктiв. Представлення знань залишається однiєю з основних проблем при розробцi систем пiдтримки прийняття рiшень iз застосуванням методологiї технологiчного передбачення. Представлення знань у виглядi текстiв природною мовою, анотованих за допомогою метаданих Doublin Core є, очевидно, найбiльш повним з точки зору збереження вихiдної iнформацiї. Проте таке представлення не дозволяє людинi оперативно аналiзувати великi обсяги iнформацiї i є недостатньо формалiзованим для машинної обробки. Для автоматизованої обробки знання мають бути поданi засобами однiєї з формальних мов представлення знань в рамках обраної моделi представлення знань. Видiляють чотири загальнi моделi представлення знань: продукцiйнi, фреймовi, семантичнi мережнi та формальнi логiчнi моделi. При цьому фреймова модель може бути представлена у виглядi семантичної мережi, i навпаки. Для представлення рiзнорiдних знань, кiлькiсних та якiсних даних, оцiнок експертiв, що використовуються в рамках методологiї технологiчного передбачення, пропонується використовувати формальну мову RDF (Resource Description Framework), а саме її рiзновид RDF/N3 (RDF Notation 3). Для представлення та обробки iнформацiї, що використовується в процесi технологiчного передбачення, створено систему баз знань та даних, в якiй зберiгаються: а) анотованi за допомогою метаданих фрагменти текстiв природною мовою, як основне джерело iнформацiї; б) семантичнi данi – представлення текстових фрагментiв засобами формальної мови RDF/N3, що описують дослiджувану предметну область та “картину свiту”; в) числовi характеристики, що описують властивостi елементiв предметної областi – детермiнованi, стохастичнi, iнтервальнi, нечiткi та iн.; г) експертнi оцiнки, згенерованi в процесi технологiчного передбачення; д) продукцiйнi правила обробки iснуючих та отримання нових знань; е) iнформацiя щодо достовiрностi оброблюваних даних.
Системний аналiз та iнформацiйнi технологiї: Матерiали XI Мiжнародної науково-технiчної конференцiї (26–30 травня 2009 р., Київ). – К.: ННК «IПСА» НТУУ «КПI», 2009. – С. 141. – http://sait.org.ua