Методы и средства построения информационных хранилищ при автоматизированном проектировании

Методы и средства построения информационных хранилищ при автоматизированном проектировании

Автор: Вельмисов, Александр Петрович

Шифр специальности: 05.13.12

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Ульяновск

Количество страниц: 196 с. ил.

Артикул: 3301715

Автор: Вельмисов, Александр Петрович

Стоимость: 250 руб.

Методы и средства построения информационных хранилищ при автоматизированном проектировании  Методы и средства построения информационных хранилищ при автоматизированном проектировании 

Содержание
Введение.
Глава 1. Обзор работ и практических реализаций, посвященных интеллектуальному анализу данных и представлению нечетких данных в
системах управления базами данных.
1.1 .Задача анализа данных
1.2.Обзор моделей и реализаций нечетких БД
1.3. Обзор методов интеллектуального анализа данных для решения задачи кластеризации и классификации.
1.3.1. Гипотеза компактности.
1.3.2. Г ипотеза А компактности.
1 АДСМметод и его модификации
1.4.1. ДСМметод.
1.4.2.ДСМметод автоматического порождения гипотез ДСМАПГ 1.5. Примеры систем извлечения знаний из данных.
1.5.1. Предметноориентированные аналитические системы.
1.5.2. Статистические пакеты.
1.5.3. Системы на основе моделей нейронных сетей.
1.5.4. Системы, использующие рассуждения на основе прецедентов.
1.5.5. Системы, использующие деревья решений.
1.5.6. Системы, использующие эволюционное программирование.
1.5.7. Системы на основе генетических алгоритмов.
1.5.8. Систехмы, использующие алгоритмы ограниченного перебора
1.6 Обзор программных реализаций i.
1.6.1. ii i
1.6.2. I Ii i.
1.6.3. i
1.6.4. i ii iii i v 2
1.6.5. ii
1.6.6. 1С Предприятие.
1.6.7. Ро1уапа1уБ1.
1.6.8.Краткий обзор свободно распространяемых продуктов
1.7. Стандарты и спецификации, используемые при определении архитектур систем извлечения знаний из данных.
1.7.1. Стандарты.
1.7.2. Языки спецификации задач извлечения знаний
1.8.Вывод ы
Глава 2. Математические методы анализа нечетких данных.
2.1. Нечеткая кластеризация
2.1.1. Задача нечеткой кластеризации.
2.1.2.Общая формальная постановка задачи нечеткого кластерного анализа.
2.1.3. Уточненная постановка задачи нечеткой кластеризации.
2.1.4. Алгоритм решения задачи нечеткой кластеризации методом нечетких ссредних БСМ
2.1.5. Гибридный алгоритм нечеткой кластеризации.
2.2. Нечеткая реляционная модель данных
2.3. Нечеткая кластеризация с помощью нейронных сетей
2.3.1. Алгоритм решения задачи нечеткой кластеризации методом сети Кохонена
2.4. Поиск зависимостей на нечетких данных с помощью нечетких нейронных сетей разных архитектур
2.4.1. Нечеткие нейронные сети
2.4.2. Структура нечеткой сети АОТВ.
2.4.3. Гибридный алгоритм обучения адаптивных сетей.
2.4.4. Гибридный алгоритм обучения АЛГВ.
2.4.5. Генерация нечетких правил
2.4.6. Гибридная нечеткая нейронная сеть
2.4.7. Обучение гибридной сети
2.5.Вывод ы.
Глава 3. Структурнофункциональное решение i
3.1 Описание нечеткого реляционного сервера данных
3.1.1. Выбор инструментальных средств и технологий
3.1.2. Информационная структура служебных таблиц представления нечетких данных.
3.1.3 Функциональное решение
3.1.4. Требования к установке системы.
3.2. Реализация модуля кластеризации
3.2.1 Реализация алгоритма гибридной кластеризации
3.2.2. Реализация алгоритма Кохонена
3.2.3. Выходные формы.
3.3 Реализация гибридной нечеткой нейронной сети
3.3.1. Оперативная структура хранения.
3.3.2. Внешняя структура храпения.
3.3.3. Описание структур хранения.
3.3.4 Модуль реализации гибридной нечеткой нейронной сети
3.3.5. Выходные формы.
3.4.Общая структура программного комплекса i.
3.5.Вывод ы.
Глава 4. Название
4.1 Задача анализа социологической базы данных
4.1.1 Постановка задачи.
4.1.2 Результаты анализа
4.2 Задача структуризации информационных ресурсов.
4.2.1 .Постановка задачи
4.2.2. Интеллектуальная система поддержки принятия решений структура и функции.
4.2.3. Проведение эксперимента
4.2.4. Структурирование информационных ресурсов ФНПЦ ОАО
4.3. Анализ эффективности ИСППР
4.4 Выводы
Заключение.
Библиографический список.
Приложения.
Введение
Обшая характеристика работы. Проектирование сложных технических изделий выполняется в наши дни распределенным коллективом проектировщиков, использующих информационные технологии и работающих в условиях развитой корпоративной сети. Результатом работы разрозненных коллективов проектировщиков является информационное хранилище, содержащее архивы старых проектных решений, текущие проекты, электронные описания проектов, файлы стандартов и правил. Международные стандарты 0 требуют от предприятий иметь полное электронное представление изделий, причем фактически данные представления не всегда структурированы и часто представляют собой неупорядоченный один или несколько информационных ресурсов. Проведение структуризации неупорядоченного набора файлов возможно только при участии эксперта, который знает специфику всех направлений деятельности проектного подразделения и имеет представление о тематике старых архивных проектов.
Актуальность


Фрагментарность выборки и нечисловые атрибуты не позволяют выразить содержание объекта в традиционной математической форме уравнений или формул и предполагают использование баз правил знаний. Отсутствуют методы объективной настройки функции принадлежности. Таким образом, разработка новых методов интеллектуального анализа данных и модернизация известных методов для нечетких реляционных серверов данных, является актуальной задачей. Перечислим базовые методы и решения, предложенные в интеллектуальном анализе данных для реляционных баз данных и рассмотрим далее их возможную модернизацшо для нечетких реляционных серверов данных. Поиск ассоциаций. При обработке реальных данных из баз данных с нечисловыми атрибутами необходимо кластеризовать данные и выразить зависимости аналитически. Прогнозирование временных рядов связано с числовыми данными, обеспечено существующими методами и далее не рассматривается. При поиске ассоциаций необходимо найти ассоциации нечетких данных. Фрагментарность выборки и нечисловые атрибуты не позволяют выразить содержание объекта в традиционной математической форме уравнений или формул и предполагают использование баз правил знаний. Рассмотрим возможные точки приложения разработок теории нечетких множеств в системах управления базами данных. Исследование применимости реляционной алгебры к нечетким данным. Проектирование постреляционных баз данных учитывающих неопределенность данных. Интеграция с сервисами сети Интернет. Применение нечеткой логики в таких процессах, как классификация и добыча данных. В целом, направления исследований совпадают с направлениями развития СУБД, но в большей степени носят теоретический характер. Об этом можно судить по множеству опубликованных за последнее время работ. К теоретическим работам относятся практически все работы связанные с представлением и обработкой неопределенностей в реляционной алгебре. Так, например, в работе Патрика Боска i и Людовика Лиетарда vi i рассматриваются различные размывания реляционного деления. Данная работа касается обычных реляционных баз данных. Основной акцент делается на операции деления, семантика которой выходит за пределы самой реляционной модели. Демонстрируются различные компоненты деления и обсуждается гибкость каждого из них. Описания такого размывания различны и могут касаться как гибких запросов, так и резюмированных данных, которые определяют специфические типы шаблонов. Авторы имеют дело с расширением операций деления в реляционных базах данных, где задействованы несколько ранжированных понятий, а именно уровней определенности, важности, законченности ранжированных свойств, а также нечетких квантификаторов. Авторы рассматривают случай, где уровень законченности и уровень важности представлены в спецификации требования. Более того, авторы рассматривают случай, когда уровень законченности выражен нечетко измеренным уровнем имеющихся данных. Авторы также показывают, что такие квантификаторы как наиболее могут быть описаны подходящим ослабителем iоперации в предложенном расширении. Особое внимание уделяется проблеме функциональных зависимостей, учитывающих неопределенность данных. Так группа исследователей из Испании Ж. К.Куберо , Ф. Куенца . И.Бланко I. М.А. Вила Vi рассматривают неполные функциональные зависимости в сравнении с нахождением знаний в базах данных. Функциональные зависимости используются в реляционных базах данных для правильного проектирования схемы отношений, т. В данной работе показано два варианта, как ослабить концепцию функциональных зависимостей. Вопервых, представлена новая концепция нечетких зависимостей расширяющей функциональные зависимости нечеткой информацией и использованием в отношениях понятия сходства вместо классического равенства. И, вовторых, рассматривается проблема обработки исключений при использовании классических функциональных зависимостей. С другой стороны, нахождение знаний и методы добычи данных помогают экспертам извлекать знания из кортежа значений. В работе рассматриваются сходства и различия между некоторыми из этих методов и представленными расширенными функциональными зависимостями.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.235, запросов: 244