Информационное обеспечение автоматизированного проектирования на основе нечетких реляционных серверов данных

• Автор: Горбоконенко, Евгений Александрович
• Шифр специальности: 05.13.12, 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Ульяновск
• Количество страниц: 182 с. : ил

Содержание
Введение.
Глава 1. Обзор и сравнительный анализ работ, посвященных представлению нечетких данных в системах управления базами данных.

1.1 .Классификация неопределенностей.

1.2,Обзор теорий и методов обработки неопределенностей.

1.2.1 .Классические теории.

1.2.2.Теория грубых множеств.

1.2.3.Теория нечетких множеств.

1.2.4.Сравнительный анализ теорий

1.3.Системы управления базами данных.

1.3.1.Общее направление развития технологий баз данных.

1.3.2.Реляционные СУБД.
1.3.3.1 Тостреляционные системы
1.3.4.Распределенные СУБД
1.4.аправления исследований в области нечеткой логики
1.4.1 .Реляционная алгебра и теория нечетких множеств
1.4.2.1 Тредставление нечетких данных в СУБД.
1.5.Классификация существующих моделей представления нечетких данных.
1.6.Нечеткие модели в САПР.
1.7.3адача представления нечетких данных в современных СУБД
1.8.Выводы.
Глава 2. Нечеткая реляционная модель данных.
2.1 .Теоретические основы модели.
2.1.1 .Нечеткие числа и операции над ними
2.1.2.Реляционная алгебра
2.2.Требования к модели и ее ограничения.
2.3.Нечеткая реляционная модель данных.
2.3.1 .Способ представления данных
2.3.2.Арифметические операции.
2.3.3.Реляционные операторы.
2.3.Расширение языка запросов
2.4.Свойства нечеткой реляционной модели.
2.5.Нечеткая реляционная модель данных в САПР
2.6.Вывод ы
I лава 3. Реализация нечеткой базы данных.
3.1 .Выбор инструментальных средств и технологий
3.2.Серверная часть.
3.2.1 .Схема данных
3.2.2.Механизмы обработки нечетких данных
3.2.3.Требования к установке системы.
3.2.4.Примеры работы с нечеткими отношениями.
3.2.5.Направления развития системы.
3.3.Клиентская часть
3.4.Вывод ы.
Глава 4. Автоматизация проектирования в условиях нечеткой информации
4.1.Задача проектирования стендового технологического оборудования
4.1.1 .Постановка задачи.
4.1 .Интеллектуальная система поддержки принятия решений
структура и функции
4.1.3.Примеры взаимодействия с нечеткой СУБД.
4.2.БД Состав изделия и задача поиска аналогов
4.2.1.Постановка задачи
4.2.2.Структурнофункциональное решение
4.3.Анализ эффективности нечетких запросов
4.4.Вывод ы.
Заключение
Библиографический список.
Приложения
Приложение 1. Спецификация пакетов
Приложение 2. Примеры использования запросов.
Приложение 3. Регистрация в ОФАП.
Приложение 4. Акт о внедрении
Введение
Общая характеристика работы. Проектирование сложных
технических изделий выполняется в наши дни распределенным коллективом
проектировщиков, использующих информационные технологии и
работающих в условиях развитой корпоративной сети. Средством
согласования проектных решений служит репозитарий проекта,
представляющий собой информационное хранилище базу данных всех
проектных документов. В условиях, когда сроки разработки нового изделия
определяют рыночный успех фирмы, архив старых проектных решений не
может быть хранилищем микрофильмированных или тем более бумажных
материалов. Как архив проектов, так и репозитарий проекта должны быть
активными хранилищами данных. Международные стандарты
требуют от предприятий иметь полное электронное представление изделий,
которое должно строиться в ходе проектирования на базе репозитария
текущего проекта. Построить такое информационное обеспечение
автоматизированного проектирования можно только на основе современных
серверов данных, работающих в рамках клиентсерверной технологии.
Сложность использования систем управления базами данных СУБД для
организации конструкторских баз данных БД состоит не только в
ограничениях реляционной модели, но и в необходимости представлять
неполностью определенные проектные решения. В процессе поискового
творческого проектирования часть значимой информации обязательно будет
неопределенной, неточной, нечеткой. Запрос, формируемый
проектировщиком в таких условиях, должен быть гибким, содержащим
нечеткие условия. Очень важным видом запроса, позволяющим сократить
сроки разработки изделия, является запрос аналогичного проектного
решения. Аналогия между объектами может быть выражена на основе
нечетких отношений. Вместе с тем необходимо учитывать
распространенность языка запросов 5рЬ. Необходимо расширение
современной реляционной модели, которое позволило бы учесть такие
особенности автоматизированного проектирования изделий как хранение и обработка неопределенной информации. При этом новые возможности необходимо предложить проектировщикам в форме привычного Ьзапроса.
Таким образом, в теории и практике существует важная научнотехническая задача создания методов и средств организации информационного обеспечения систем автоматизированного проектирования САПР, способного осуществлять хранение и обработку неопределенных данных.
Актуальность


Существует множество работ посвященных исследованию различных аспектов и классификации расплывчатых категорий. В работе вводится три уровня, к которым могут принадлежать расплывчатые категории. Расплывчатые категории I уровня это описательные, содержательные или функциональные признаки образа объекта субъекта. При этом размерность образа определена только формализацией субъективных оценок. Квалификаторы, характеризующие признак объекта и делящиеся на описательные, содержательные и функциональные. Модификаторы, уточняющие значения квалификаторов. Квантификаторы, описывающие количество объектов или повторяемость действий. Уровню II принадлежат расплывчатые операции, которые соотносят признак описываемой расплывчатой категории с объектом или другим признаком включая действие. Дескрипторами, к которым относятся расплывчатые оценки и классификации. Прескрипторами, к которым относятся расплывчатые предписания и которые соотносят действие с заданными признаками. Уровню III принадлежат расплывчатые отношения процедура соотнесения дескриптора с прескриптором или алгоритмом. Эксплицитная система шкал эксплицитной шкалой является такая, которую не только используют, но и формируют в явном виде для использования окружающими при эксплицитной задаче может, но трус. Неэксплицитные шкалы при эксплицитной задаче дегустация. Имплицитная система шкал имплицитной шкалой является такая, на которую ориентируются и которую не формируем в явном виде при неопределенной задаче опознание знакомого на улице. Эксплицитная система шкал при неопределенной задаче графология. Уже из самой классификации, можно сделать вывод, что неточность это сложная и неоднозначная категория. Ее исследования приводят к появлению все новых теорий и методов обработки неточной информации. В настоящее время особый интерес представляют теория нечетких множеств и этот интерес растет по мере того, как эта теория находит все большее применение в областях связанных, с вычислительной техникой. Теория нечетких множеств является не единственной теорией рассматривающей неточность данных. Поэтому необходимо проанализировать, как различные теории отражают факт неточности информации и каким образом этот факт учитывается при обработке данных. Как уже отмечалось, к классическим теориям представления неточных данных можно отнести теорию вероятностей и теорию ошибок . В основе теории вероятностей лежит понятие математической вероятности числовой характеристики степени возможности появления какоголибо определенного события в тех или иных определенных, могущих повторяться неограниченное число раз условиях. Обычно вероятность определяется как отношение числа случаев, благоприятствующих некоторому событию, к общему числу равновозможных случаев. Теория вероятностей математическая наука, позволяющая по вероятностям одних случайных событий находить вероятности других случайных событий, связанных какимлибо образом с первыми. Другая хорошо известная теория теория ошибок это раздел математической статистики, посвященный построению уточненных выводов о численных значениях приближенно измеренных величин, а также об ошибках погрешностях измерений. Эта теория нашла широкое применение в естественных науках особенно в физике. Не будем рассматривать эти теории подробно, а ограничимся приведенными определениями. Теория грубых множеств была представлена Жиславом Павлаком в начале ых годов, как новый математический инструмент для работы с неопределенностью и неточностью 2. Этот подход имел большое значение для систем искусственного интеллекта, особенно в областях машинного обучения, приобретения знаний, системного анализа, поиска знаний в базах данных, экспертных систем, системах принятия решений и т. Философия грубых множеств основана на предположении, что с каждым суждением мы ассоциируем какуюто информацию данные, знания. Например, если объекты это пациенты, страдающие определенной болезнью, то симптомы этой болезни форма информации о пациентах. Объекты, характеризуемые одной информацией, неразличимы одинаковы с точки зрения имеющейся о них информации.