Использование методов принятия решения при проектировании нейросетевых структур обработки данных

• Автор: Солодовников, Владимир Игоревич
• Шифр специальности: 05.13.12
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Москва
• Количество страниц: 138 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

ГЛАВА 1. Методы определения закономерностей в системах

обработки данных

1.1. Типы возможных закономерностей и способы обработки данных

1.2. Методы интеллектуального анализа данных ii

1.3. Нейросетевой подход интеллектуального анализа данных.

1.3.1. Математическая модель нейрона

1.3.2. Искусственная нейронная сеть, принципы функционирования .

1.3.3. Анализ существующих систем, использующих нейросетевые технологии.

1.3.4. Выбор нейропарадигм для решения задач ii

1.4. Принципы теории принятия решений
1.4.1. Использование деревьев решений и семантических сетей
1.5. Выводы.
ГЛАВА 2. Автоматизированное проектирование нейросетевых структур
обработки данных с использованием деревьев решений
2.1. Использование деревьев решений в качестве инструментария
теории принятия решений.
2.1.1. Модифицированная модель деревьев решений.
2.1.2. Операции над деревьями решений.
2.2. Предобработка и кодирование данных.
2.2.1. Проверка данных на непротиворечивость
2.2.2. Кодирование входоввыходов.
2.2.3. Нормировка данных
2.3. Нейросетевые структуры обработки данных
2.3.1. Многослойный персептрон
2.3.2. сеть
2.3.3. Структура сети динамических ядер.
2.3.4. Алгоритм определения количества классов в данных.
2.3.5. Самоорганизующиеся карты Кохонена
2.3.6. Визуализация данных
2.4. Прямой и обратный вывод. Семантические сети
2.5. Выводы.
ГЛАВА 3. Модели и алгоритмы представления деревьев решений и нейронных сетей в подсистеме принятия решений и проектирования
3.1. Структура подсистемы.
3.2. Информационная и объектноориентированная модели
нейронных сетей.
3.2.1. Разработка системы классов для описания НС. Создание объектноориентированной модели
3.2.2. Алгоритм формирования НС в рамках объектноориентированной модели.
3.2.3. Разработка структуры фрагмента БД для хранения НС и результатов их работы
3.3. Осуществление вывода и формирование правил на основании модифицированных деревьев решения
3.3.1. Структура фрагмента БД для деревьев решения.
3.3.2. Алгоритм прямого вывода
3.3.3. Алгоритм обратного вывода. Формирование правил.
3.4. Представление деревьев решения в виде фактов
семантической сети
3.4.1. Алгоритм преобразования деревьев решений в семантическую сеть
3.4.2. Структура фрагмента БД для семантических сетей.
3.5. Выводы
ГЛАВА 4. Разработка программного и информационного
обеспечения ИЗ
4.1. Выбор программных средств и СУБД.
4.2. Конструирование НС с помощью разработанной системы классов
4.3. Программная реализация приложения
4.3.1. Ввод и построение деревьев решения .
4.3.2. Представление результатов прямой и обратной цепочек рассуждений.
4.3.3. Формирование выборки и предобработка данных
4.3.4. Построение нейросетей
4.4. Выводы.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Разработаны информационная модель нейронной сети для ее хранения в базе данных и объектно-ориентированная модель, представляющая собой иерархию классов, для программной реализации, что позволяет осуществлять ее гибкое и эффективное конструирование. Практическая ценность полученных результатов. Сформированы критерии применимости нейронных сетей для решения различных задач «интеллектуального» анализа данных. Проведен анализ зависимостей архитектуры сетей, количества слоев и нейронов в каждом слое, от исходных данных. Разработаны алгоритмы и методы использования модифицированных деревьев решений и семантических сетей в качестве инструментария поддержки принятия решений в системах Data Mining. На основании разработанных информационной и объектно-ориентированной моделей нейросетей, определена структура базы данных приложения для хранения, как шаблонов, так и уже построенных нейросетей, деревьев решений и семантических сетей, а также результатов их использования. Реализовано приложение, осуществляющее автоматизированное проектирование нейросетевых структур обработки данных в зависимости от информации, хранящейся в базе данных, и требований, предъявляемых пользователем. Разработанные методы и алгоритмы могут стать основой для создания интеллектуальных средств поддержки принятия решений. Реализация и внедрение результатов исследований. Результаты диссертационной работы используются в Центре информационных технологий в проектировании РАН по проекту «Развитие методов математического моделирования для оценки и прогнозирования действия факторов риска на деятельность человека» в рамках Программы фундаментальных научных исследований ОИТВС РАН «Фундаментальные основы информационных технологий и систем» и были отражены в сводном отчете РАН за год в томе 2 «Основные результаты в области естественных, технических, гуманитарных и общественных наук» (приложение 1). Для использования в учебном процессе кафедры ИТАС МИЭМ разработано приложение, осуществляющее проектирование нейросетевых структур в зависимости от требований предъявляемых пользователем и имеющихся исходных данных. Результаты работы использованы при изучении дисциплин «Базы данных», «Методы принятия решений», «Интеллектуальные подсистемы САПР». Подготовлены (в соавторстве) и изданы методические указания к практическим занятиям по курсу «Банки данных» (приложение 2). Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на научно-практических семинарах «Новые информационные технологии» (Москва, - гг. МИЭМ (Москва, - гг. Аэрокосмические технологии» (Реутов, НПО машиностроения, г. Информационные технологии в проектировании, производстве и образовании» (Ковров, г. Объем и структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из наименований и приложений. Основное содержание диссертации изложено на 4 страницах и содержит рисунка и таблиц. В первой главе обсуждаются вопросы современного состояния и тенденции развития методов и систем обработки информации хранящейся в базах данных и информационных хранилищах. Первый параграф посвящен анализу возможных задач и способов обработки данных. Во втором параграфе рассматриваются различные методы применимые в Data Mining. В третьем обосновывается выбор нейросетевого подхода «интеллектуального» анализа данных, осуществляется выбор нейропарадигм, проводится анализ существующих систем и проблем, связанных с их использованием. В четвертом параграфе рассматриваются принципы теории принятия решений, а также использование деревьев решений при проектировании, обучении и анализе нейросетевых структур в зависимости от требований, предъявляемых пользователем и имеющихся исходных данных. В настоящее время, в связи с совершенствованием технологий записи и хранения данных наблюдается стремительное развитие хранилищ информации и рост объемов данных в этих хранилищах в самых различных областях человеческой деятельности (коммерческой, производственной, медицинской, научной и т. Они обладают большими потенциальными возможностями по извлечению практически полезной аналитической информации, которая может послужить основой для выявления скрытых тенденций и нахождения новых решений.