Модели и алгоритмы анализа сверхкоротких гранулярных временных рядов на основе байесовских сетей доверия

• Автор: Суворова, Алёна Владимировна
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Санкт-Петербург
• Количество страниц: 168 с. : ил.

Оглавление
Оглавление
Введение
Глава 1. Современное состояние проблемы
Введение
§1.1. Подходы к построению моделей социально-значимого поведения
§ 1.2. Подходы к представлению и обработке неопределенности данных и знаний о поведении индивидов
§ 1.3. Источники исходных данных при моделировании поведения респондента
Выводы по главе
Глава 2. Основные понятия и используемые методы
Введение
§ 2.1. Оценка интенсивности на основе данных о последних эпизодах
§ 2.2. Анализ и синтез показателей при информационном дефиците
§ 2.3. Вероятностные распределения порядковых статистик
§ 2.4. Основы теории байесовских сетей доверия
Выводы по главе
Г лава 3. Модели и алгоритмы анализа поведения респондента на основе
байесовской сети доверия
Введение
§ 3.1. Особенность обработки данных об интервале в окрестности интервью
§ 3.2. Оценка параметров поведения по данным о рекордных интервалах
§ 3.3. Обработка особенностей исходных данных
§ 3.4. Обобщенная модель поведения респондентов
§ 3.5. Модель на основе байесовской сети доверия
Выводы по главе

Глава 4, Компоненты прототипа комплекса программ
Введение
§ 4.1. Структура базы данных
§ 4.2. Структура объектно-ориентированной библиотеки для расчета оценок параметров поведения респондентов
§ 4.3. Представление байесовской сети доверия в прототипе комплекса программ
§ 4.4. Компонента прототипа комплекса программ для приближенного вычисления интенсивности
§ 4.5. Апробация моделей на статистических данных
Выводы по главе
Заключение
Список литературы
Список иллюстраций
Список таблиц
Приложение А. Диаграмма классов
Приложение Б. Описание структуры таблиц реляционной базы данных
Приложение В. Свидетельства о регистрации программ для ЭВМ

Введение
Проблема анализа данных и знаний, характеризующихся неопределенностью, является одной из областей искусственного интеллекта, в частности, вопросы обработки и представления неопределенности рассматривали J. Halpern, A. Dempster, D. Dubois, J. Pearl, H. Prade, G. Shafer, L. Zadeh, Д.А. Поспелов, JI.B. Уткин, A.B. Язенин, Н.Г. Ярушкина и др. Одной из подобных задач является разработка моделей и методов для обеспечения поддержки принятия решений в условиях, когда для получения данных невозможно организовать классические формы длительного наблюдения и многофакторного измерения параметров процесса, но имеются сведения, полученные от экспертов, предположения о классах и семействах таких процессов, а также ограниченное число измеряемых особенностей такого процесса [88, 93, 99, 128, 129]. В частности, такие данные возникают при изучении поведения посредством опросов участников или экспертов. Аналогичные задачи возникают в системе управления и принятия решений, например для оценки степени удовлетворенности той или иной предоставляемой государственной услугой. В целом, можно сказать, что поставленные вопросы относятся к более широкой, комплексной области исследований, посвященной анализу и моделированию поведения в контексте интеллектуальных систем принятия решений, изучением которой занимаются Г.С. Осипов, О.П. Кузнецов, B.J1. Сте-фанюк и др. [14, 40, 53, 72]
Указанная проблема является междисциплинарной, для ее решения требуется привлечение и адаптация ряда методов и моделей искусственного интеллекта и мягких вычислений вместе с методами и моделями классической математики (нечеткие системы и ряды, вероятностные графические модели, в т.ч. байесовские сети, методы построения сводных показателей в условиях дефицита информации (подход Н.В. Хованова), модели гранулярных знаний и др.), причем развиваемые методы и модели должны быть наце-

заключения в виде нечеткого множества, соответствующего текущим значениям входов, с использованием нечеткой базы знаний и нечетких операций, описанных в [266].
Диапазон применимости теории нечетких множеств существенно расширился. Сам JI. Заде определил нечеткие множества как инструмент построения теории возможностей [182, 267]. Следующим достижением теории нечетких множеств является введение в обиход так называемых нечетких чисел как нечетких подмножеств специализированного вида, соответствующих высказываниям типа «значение переменной примерно равно а». С их введением оказалось возможным прогнозировать будущие значения параметров, которые ожидаемо меняются в установленном расчетном диапазоне. Вводится набор операций над нечеткими числами, которые сводятся к алгебраическим операциям с обычными числами при задании определенного интервала достоверности (уровня принадлежности).
Области применения нечеткой логики заметно расширяются. Она применяется в автомобильной, аэрокосмической и транспортной промышленности, в области изделий бытовой техники, в сфере финансов, анализа и принятия управленческих решений и многих других [27, 38, 147, 157, 158, 209, 221, 222, 227, 236, 238, 241, 265-267].
При решении задачи оценки параметров поведения респондентов по сведениям, полученным из их самоотчетов, мы имеем дело с данными, выраженными на естественном языке «вчера», «неделю назад» и т.д. Отметим, что естественно-языковую неопределенность ответов в форме «столько-то дней назад» достаточно легко представить и другими рассмотренными подходами к обработке неопределенности, в частности, вероятностным, байесовским, а встречающиеся (хотя и редко) ответы «на прошлой неделе», «по праздникам» представляется целесообразным обрабатывать именно средствами теории нечетких множеств.
1.2.6. Другие подходы. В данном параграфе представлены не все существующие методы представления и обработки неопределенности, а лишь