Исследование и разработка системы сбора, хранения, анализа и визуализации массивов данных, поступающих с территориально распределенных источников

• Автор: Волошин, Сергей Борисович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Владикавказ
• Количество страниц: 213 с. : ил.

ВВЕДЕНИЕ.
ГЛАВА 1. АНАЛИЗ ОСНОВНЫХ ОСОБЕННОСТЕЙ СИСТЕМ СБОРА, ХРАНЕНИЯ, АНАЛИЗА И ВИЗУАЛИЗАЦИИ МАССИВОВ ДАННЫХ

1.1. Введение

1.2. Функциональные возможности систем сбора, хранения, анализа и визуализации

МАССИВОВ ДАННЫХ

1.3. Анализ особенностей приложений сбора, хранения, анализа и визуализации массивов ДАННЫХ.

1.4. Основные выводы.

1.5. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

ГЛАВА 2. ИССЛЕДОВАНИЕ И РАЗРАБОТКА СИСТЕМЫ СБОРА, ХРАНЕНИЯ, АНАЛИЗА И ВИЗУАЛИЗАЦИИ МАССИВОВ ДАННЫХ, ПОСТУПАЮЩИХ С ТЕРРИТОРИАЛЬНО РАСПРЕДЕЛЕННЫХ ИСТОЧНИКОВ.
2.1. Использование приемов объектноориентированного программирования при разработке сложных систем

2.2. Использование паттернов проектирования при разработке сложных систем

2.3. Функциональные возможности предлагаемой системы.
2.4. Общие принципы разработки системы.
2.5. Описание структуры системы сбора, хранения, анализа и визуализации массивов данных.
2.6. Уровень Хранилище данных
2.7. Уровень Доступ к данным.
2.8. Уровень Бизнеслогика.
2.9. Разработка модулей анализа данных.
2 Уровень ВводВывод.
2 Конфиденциальность данных во время передачи по каналам связи.
2 Уровень Представление
2 Методы повышения быстродействия и надежности с помощью технологий кластеризации
2 Методика защита системы от нелегального использования
2 Выводы по главе
ГЛАВА 3. ПРИМЕР ИСПОЛЬЗОВАНИЯ ПРЕДЛАГАЕМОЙ СИСТЕМЫ СБОРА, ХРАНЕНИЯ, АНАЛИЗА И ВИЗУАЛИЗАЦИИ МАССИВОВ ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ КАК ЧАСТЬ КОНЦЕПЦИИ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ОБЖИГА СУЛЬФИДНЫХ ЦИНКОВЫХ КОНЦЕНТРАТОВ В ПЕЧАХ КИПЯЩЕГО СЛОЯ
3.1. ПосI ЮБКА ЗАДАЧИ
3.2. Назначение процесса обжига в гидрометаллургическом способе получения
МЕТАЛЛИЧЕСКОГО ЦИНКА.
3.3. Технологические особенности обжига сульфидных цинковых концентратов в печах КИПЯЩЕГО слоя
3.4. Основные проблемы обжига сульфидных цинковых концентратов. Причины и способы УСТРАНЕНИЯ.
3.5. Автоматизация процесса обжига сульфидных цинковых концентратов в печах кипящего СЛОЯ.
3.6. Подсистема i и ее место в АСУТП.
3.7. Создание и использование имитационной модели процесса обжига
3.8. Создание математической модели процесса обжи а.
3.9. 1ЕНКА эффективности разработанной системы
3 Выводы по главе
ГЛАВА 4. ПРИМЕР ИСПОЛЬЗОВАНИЯ ПРЕДЛАГАЕМОЙ СИСТЕМЫ СБОРА, ХРАНЕНИЯ, АНАЛИЗА И ВИЗУАЛИЗАЦИИ МАССИВОВ ДАННЫХ КАК АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ КАЧЕСТВА ЗНАНИЙ
4.1. Постановка задачи.
4.2. Использование современных информационных технологий в оценке качества знаний
4.3. Создание списка факторов, которые могут в той или иной степени влиять на успеваемость тестируемых
4.4. Архитектура системы .
4.5. Схема распределения потоков данных
4.6. Подсистема создания и редактирования тестовых заданий .
4.7. Подсистема проведения тестирования .
4.8. Подсистема визуализации результатов тестирования Vi.
4.9. Подсистема ввода да 1ых и объединения результатов тестирования Т .
4 Модуль
4 Базы централизованного хранения данных.
4 Применение отраслевой модификации системы
4 Пример автоматизированного анализа зависимости оценки от нескольких факторов
4 Оценка эффективности разработанной системы.
4 Выводы по главе
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Но деревья решений принципиально не способны находить наиболее полные и точные правила в данных. Они реализуют наивный принцип последовательного просмотра обхода признаков и цепляют фактически осколки настоящих закономерностей, создавая лишь иллюзию логического вывода . Генетические алгоритмы. Первый шаг при построении генетических алгоритмов это кодировка исходных логических закономерностей в базе данных, которые именуются хромосомами, а весь набор таких закономерностей называют популяцией хромосом. Далее для реализации концепции отбора вводится способ сопоставления различных хромосом. Популяция обрабатывается с помощью процедур репродукции, изменчивости мутаций, генетической композиции . Эти процедуры имитируют биологические процессы. Наиболее важные среди них случайные мутации данных в индивидуальных хромосомах, переходах кроссинговер и рекомбинация генетического материала, содержащегося в индивидуальных родительских хромосомах аналогично гетеросексуальной репродукции, и миграции генов. В ходе работы процедур на каждой стадии эволюции получаются популяции со все более совершенными индивидуумами. Например, можно разбить поколение на несколько групп и работать с каждой из них независимо, обмениваясь, время от времени, несколькими хромосомами это не единственный метод распараллеливания. Генетические алгоритмы имеют ряд врожденных недостатков. Так, например, критерий отбора хромосом и используемые процедуры, зачастую являются эвристическими и совсем не гарантируют нахождения оптимального решения. Как и в реальной жизни, эволюцию может заклинить на какойлибо непродуктивной ветви. И наоборот, можно привести примеры, как два неперспективных родителя, которые будут исключены из эволюции генетическим алгоритмом, оказываются способным воспроизвести высокоэффективного потомка это особенно заметно при анализе больших массивов данных со сложными внутренними связями. Алгоритмы на основе нейронных сетей. Нейронные сети это большой класс систем, архитектура которых имеет аналогию по мнению некоторых исследователей , , довольно слабую с построением нервной ткани из нейронов. В одной из наиболее распространенных на сегодняшний день архитектур 2, , , , многослойном псрсептроне с обратным распространением ошибки, имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня, соединен своими входами с выходами нейронов нижележащего слоя. На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых необходимо принимать какието решения, прогнозировать развитие ситуации и т. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от коэффициентов значимости числовых параметров весов, приписываемых межнейронным связям. Отличительной особенностью всех нейросетевых алгоритмов является их полная бесполезность без предварительных тренировок. Для тренировки необходимо иметь данные, для которых известны и значения входных параметров, и правильные ответы на них. Тренировка заключается в подборе коэффициентов значимости весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. Нейросетевым алгоритмам присущи несколько врожденных недостатков. Основным недостатком является необходимость иметь очень большой объем обучающей выборки. Другим существенным недостатком является то, что даже натренированная нейронная сеть представляет собой классический черный ящик. Т.е. Следовательно, ни о каком логическом понимании работы алгоритма речи идти не может . Алгоритмы ограниченного перебора. Алгоритмы вычисляют частоты комбинаций простых логических событий в подгруппах данных. Примеры простых логических событий X а X а X а а X и др. X какойлибо параметр, а и константы. Ограничением служит длина комбинации простых логических событий. Большинство из проанализированных программных продуктов использует один или несколько типов алгоритмов обработки данных. Лишь такие мощные системы, как или , применяют большинство типов алгоритмов.