Средства интеллектуального анализа структуры связей по данным мониторинга сложных технологических объектов

• Автор: Ерома, Алексей Анатольевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Москва
• Количество страниц: 166 с. : ил.

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ.

1.1 АНАЛИЗ МЕТОДОВ.

1.1.1 КЛАССИФИКАЦИЯ.

1.1.2 КЛАСТЕРИЗАЦИЯ.

1.1.3 ПОИСК АССОЦИАТИВНЫХ ПРАВИЛ

1.1.4 АНАЛИЗ ПОСЛЕДОВАТЕЛЬНОСТЕЙ

1.1.5 ФОРМАЛЬНЫЙ КОНЦЕПТУАЛЬНЫЙ АНАЛИЗ

1.1.6 ИНДУКЦИЯ КАУЗАЛЬНЫХ МОДЕЛЕЙ.

ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

ГЛАВА 2. МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОГО МОНИТОРИНГА СЛОЖНЫХ ТЕХНОЛОГИЧЕСКИХ ОБЪЕКТОВ.

2.1 ЗАДАЧА МОНИТОРИНГА.
2.2 ИНТЕЛЛЕКТУАЛЬНЫЙ МОНИТОРИНГ СЛОЖНЫХ ТЕХНОЛОГИЧЕСКИХ
ОБЪЕКТОВ.
2.3 ОПРЕДЕЛЕНИЕ НАБОРА ИСХОДНЫХ ДАННЫХ.
2.3.1 ВЫДЕЛЕНИЕ ГРУПП ПАРАМЕТРОВ
2.3.2 УДАЛЕНИЕ ИЗБЫТОЧНОСТИ В НАБОРАХ ПАРАМЕТРОВ
2.4 ПРЕДВАРИТЕЛЬНАЯ ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ.
2.5 ОЦЕНКА ОТКЛОНЕНИЙ В РЕАЛЬНОМ ВРЕМЕНИ.
2.6 ДИНАМИЧНОСТЬ СВЯЗЕЙ ОБЪЕКТА МОНИТОРИНГА
ВЫВОДЫ.
ГЛАВА 3. ПОСТРОЕНИЕ МОДЕЛИ ОБЪЕКТА ПО ДАННЫМ НЕПРЕРЫВНОГО МОНИТОРИНГА СЛОЖНЫХ ТЕХНОЛОГИЧЕСКИХ ОБЪЕКТОВ .
3.1 ИНДУКЦИЯ МОДЕЛИ ОБЪЕКТА ИЗ ДАННЫХ
3.2 РАСЧТ МОДЕЛИ
3.3 ИНТЕГРАЦИЯ ЗНАНИЙ ЭКСПЕРТОВ ПРЕДМЕТНОЙ ОБЛАСТИ.
3.4 ИНКРЕМЕНТАЛЬНАЯ ИНДУКЦИЯ МОДЕЛЕЙ
ГЛАВА 4. РАСПРОСТРАНЕНИЕ МЕТОДИКИ МОНИТОРИНГА НА СЛУЧАЙ НЕЛИНЕЙНОСТИ ВЗАИМОСВЯЗЕЙ И НАЛИЧИИ ВРЕМЕННЫХ ЗАДЕРЖЕК
4.1 НЕЛИНЕЙНОСТЬ ВЗАИМОСВЯЗЕЙ ПАРАМЕТРОВ
4.2 МОДИФИКАЦИЯ МЕТОДИКИ ДЛЯ УЧТА ФАКТОРА ВРЕМЕННОЙ ЗАДЕРЖКИ.
4.3 НЕЛИНЕЙНЫЕ МОДЕЛИ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ
вывода.
ЗАКЛЮЧЕНИЕ.
БИБЛИОГРАФИЧЕСКИЙ УКАЗАТЕЛЬ.
ВВЕДЕНИЕ


Результатом применения метода к данным является причинноследственная модель, наилучшим образом согласующаяся с исходными данными . Более подробно формальный концептуальный анализ и методы индукции каузальных моделей рассматриваются в пунктах 1. Классификация является наиболее распространенным методом в НАД. Записи в базе данных могут быть сгруппированы в различные классы. Идентификация таких классов может либо напрямую интересовать пользователя, либо может представлять значимую информацию для других алгоритмов ИАД. Существуют два подхода к извлечению классификационных знаний. В первом подходе используется обучающий набор, задающий сопоставление примеров определнным классам. На основе этого набора примеров классификации формализуются общие правила соотнесения примеров к тем или иным классам, строятся деревья решений и т. Во втором подходе обучающий набор отсутствует и производится выделение классов в существующих данных посредством кластеризации см. Следуя формализму, предложенному Агауа1 и др. Пусть б множество классов А множество атрибутов свойств А1,А2у. А1 множество всех возможных значений атрибута А,. Имеется большая база объектов Д в которой каждый объект представляет собой пкортеж вида у,,у2,. АотА, и б не является А,. Другими словами, классы объектов в И не известны. Также дано множество примеров объектов Е, в котором каждый объект представляет собой кортеж вида у,,у2,. А, и е С. Т.е. Е имеют те же атрибуты что и объекты в Д но в дополнение к ним, каждому объекту приписан класс. Множество объектов Е также называется обучающим набором, в то время как база данных О называется тестовым набором. Проблема заключается в получении т классифицирующих функций, по одной для каждой группы используя информацию из Е. Классификация может быть реализована двумя различными путями. Первый подход представляет собой характеристическое обучение, где целью является нахождение хорошего описания для каждого класса. В этом случае, процесс классификации представляет собой сравнение объекта который необходимо классифицировать с каждым классом для выявления наилучшего соответствия. В этом случае задача построения классификации сводится к построению характеристических правил для множества классов. Второй подход представляет собой дискриминационное обучение, где акцент делается на определении границ между классами. В этом случае разрабатывается модель для категоризации примеров, вместо модели, описывающей характеристики каждого класса. Этот подход применим к проблемам классификации примеров неизвестного класса. Одними из наиболее популярных моделей для представления дискриминационных классификационных знаний являются деревья решений. Узлы дерева отображают атрибуты, которые должны быть проверены, а ветви соответствуют возможным значениям этих атрибутов. Конечные узлы деревьев представляют собой классы, в которые классифицируются примеры. Индукция деревьев решений широко исследовалась, и основополагающий алгоритм для индукции деревьев, ЮЗ, предложен в . Деревья решений могут быть эквивалентно представлены продукционными правилами. При этом каждый путь от корневой вершины до конечной вершины преобразуется в отдельное правило, где путь представляет собой антецедент правила, а конечный узел или класс консеквент правила. С который производит арные классификационные деревья. В I некатегориальные количественные, например атрибуты не делятся в бинарные поддеревья, как в I3, а вместо этого разделяются в Парные поддеревья. В сравнении с ЮЗ результирующие деревья могут быть созданы с большей эффективностью, а результаты классификации при их использовании являются более точными. Методы классификации, в целом, применяются только для хорошо формализованных данных и не могут использоваться для анализа вектора данных оперативного мониторинга напрямую. В то же время представляется возможным использование существующих методов классификации в рамках более общей системы анализа данных мониторинга для классификации экспертом выявленных в результате анализа зависимостей с их последующей визуализацией.