Автоматизация процессов повышения достоверности обработки информации и принятия решений в контуре систем диспетчерского управления

• Автор: Орлов, Антон Олегович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 187 с. : ил.

СОДЕРЖАНИЕ

Введение
Глава 1. Анализ методов оценки достоверности обработки информации в автоматизированных системах
1.1 Анализ характеристик качества данных
1.1.1 Общие характеристики качества данных
1.1.2 Особенности возникновения и распространения искажений в данных
1.1.3 Анализ существующих показателей достоверности
1.2 Анализ существующих моделей и методов поддержки принятия решений
1.2.1 Модели процесса принятия решений в организациях
1.2.2 Прогнозирование
1.2.3 Принципы построения систем поддержки принятия решений
1.2.4 Существующие типы моделей данных
1.3 Выводы по главе
Глава 2. Проблемы работы с искажениями данных в системах диспетчерского управления
2.1 Типы искажений в данных
2.1.1 Отсутствие значений
2.1.2 Аномальные значения (выбросы) в данных
2.2 Задачи моделирования искажений в данных обучающей выборки
2.2.1 Искажения, связанные с выбросами
2.2.2 Искажения по причине отсутствия значений
2.3 Обнаружение выбросов в данных
2.3.1 Степень локальной аномальности
2.3.2 Проблема выбора параметра МпОЙв
2.3.3 Вычисление расстояний между значениями категориального атрибута
2.3.4 Модель анализа выбросов в категориальных атрибутах
2.4 Повышение достоверности обработки данных
2.4.1 Обработка выбросов
2.4.2 Заполнение пропусков в данных
2.5 Выводы по главе
Глава 3. Прогнозная модель поддержки решения управленческих задач
3.1 Задача построения модели дерева решений
3.2 Методика оценки результатов анализа выбросов в данных
3.3 Проблема выбора стратегии повышения достоверности обработки данных
3.4 Использование алгоритмов повышения достоверности обработки данных при построении дерева решений
3.4.1 Алгоритм выбора стратегии и восстановления данных
3.4.2 Алгоритм ГОЗО
3.5 Выводы по главе
Глава 4. Программная реализация и интеграция системы поддержки принятия управленческих решений на основе разработанных механизмов
4.1 Разработка программной части системы поддержки принятия
управленческих решений
4.1.1 Описание основных функций программы
4.1.2 Архитектура системы
4.1.3 Алгоритм построения дерева решений
4.1.4 Описание программы
4.2 Интеграция разработанной системы с технологическими процессами предприятия
4.2.1 Постановка производственной задачи
4.2.2 Описание предметной области решаемой задачи
4.2.3 Основные рассматриваемые параметры
4.3 Реализация методики тестирования разработанных механизмов анализа данных
4.3.1 Процедура тестирования механизмов анализа данных
4.3.2 Наборы данных для проведения экспериментов
4.3.3 Результаты проведения экспериментов
4.4 Итоги внедрения системы
4.5 Выводы по главе
Выводы по работе
Список литературы
Приложение 1. Фрагменты исходного кода

шума в обучающей выборке. Однако, применение алгоритма Reduce требует наличия отдельного множества тестовых примеров.
1.2.4.2 Нейронные сети
Нейронные сети [53, 100, 109] преобразуют информацию по образу процессов, происходящих в мозгу человека. Центральный элемент нейронной сети называется нейроном [53]. Суть работы нейронной сети заключается в следующем. Одиночный нейрон принимает сигналы от большого количества других нейронов. Возбуждение передается между нейронами через нервные стыки, называемые синапсами. Синапсы играют роль передатчиков информации, в результате работы которых возбуждение может усиливаться или ослабляться. В итоге в нейрон приходит два вида сигналов: сигналы, ослабляющие возбуждение, и сигналы, усиливающие возбуждение. Нейрон суммирует возбуждающие и тормозящие импульсы. Если алгебраическая сумма превышает некоторое пороговое значение, то сигнал передается дальше по цепочке другим нейронам.
Пусть U], ц2, ..., un - входные сигналы данного нейрона; wb w2, ..., wn -синаптические веса; у - выходной сигнал нейрона; v - пороговое значение. Тогда:
Также у0 = V, и0 = 1.
На основе этой модели в [109] разработана модель однонаправленной нейронной сети, названной персептроном. Задача персептрона заключается в классификации вектора и = [иь и2, ..., ип]т в смысле отнесения его к одному из
(1.6)

х > О, х < 0.
(1.7)