ДСМ-метод порождения гипотез для объектов, описываемых атрибутами с весами

• Автор: Липкин, Александр Аркадьевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 117 с.

Введение. Заключение. Приложение 1. Приложение 3. За последние два десятилетия произошел стремительный рост технических возможностей для сбора и хранения больших массивов данных. И этот рост продолжается. Уже накоплены миллионы баз данных, которые охватывают практически все области человеческого знания. Подобный рост объема хранимых данных остро поднимает проблему поиска данных, а также, что еще более важно, порождает необходимость в средствах, позволяющих автоматически извлекать полезные знания из больших массивов данных. Именно к таким средствам и относится Интеллектуальный анализ данных ИАД1. ДСМметод автоматического порождения гипотез, о котором пойдет речь в данной работе, объединяет в себе целое семейство методов, задача которых заключается в том, чтобы на основании имеющейся базы фактов сделать предположения о причинах наличия или отсутствия определенных свойств у объекта. Интеллектуальный анализ данных англ. Подразделяется на задачи классификации, моделирования и прогнозирования и другие.


Также было введено понятие семантической силы гипотезы и доказан ряд утверждений о выразительной и семантической силах гипотез. ИАД, однако лишь незначительная их часть занимается работой с контестнозависимыми данными. Также невелика доля систем, работающих с объектами, описываемыми атрибутами, неравнозначными между собой. При этом, как правило, два этих множества не пересекаются. Был построен формальный аппарат для описания ДСМметода автоматического порождения гипотез, использующий язык теории множеств. Такой подход к описанию ДСМметода делает его более понятным рядовому программисту, не требуя от него дополнительных специфических знаний. Был разработан логикоматематический аппарат для описания разновидности ДСМметода, работающей с объектами, характеризуемыми семантически неравнозначными атрибутами. Был построен алгоритм работы ДСМсистсмы на основе упомянутого выше варианта ДСМметода. Была разработана экспериментальная версия ДСМсистемы, реализующей упомянутые выше алгоритмы. Промежуточные результаты и итоги проведенной работы докладывались на й научной конференции МФТИ и на й юбилейной научной конференции МФТИ , а также на научном семинаре Вычислимые методы прогнозирования при ВЦ РАН. Основные результаты диссертации опубликованы в . Итоговые результаты докладывались и обсуждались в ВИНИТИ на семинаре В. К. Финна. Предлагаемая вашему вниманию работа состоит из четырех глав, введения, заключения и трех приложений. В первой главе будут рассмотрены различные виды ДСМметода автоматического порождения гипотез в своей канонической формулировке. Во второй главе будет предложена формализация методов, рассмотренных в первой главе, на языке алгебры и теории множеств. В третьей главе излагается новая вариация ДСМметода, являющаяся модификацией для контекстных ДСМметодов несимметричного и обобщенного, предназначенная для работы в условиях неравнозначности составляющих исходных. В четвертой главе вашему вниманию будет предложено описание прототипа ДСМсистсмы, разработанной на основании ДСМметода для работы в условиях семантической неравнозначности структурных элементов, а также излагается ряд других модификаций, опирающихся на инженерные решения по оптимизации работы ДСМсистемы. В приложениях приводится информация по экспериментальной ДСМсистсме, созданной на основании излагаемых принципов. В первом приложении описываются требования к формату файла исходных данных. А в третьем приложении приводится ЛИСТИНГ с исходным кодом приложения, разбитым по классам. Гпава 1. В течении последних двух десятилетий произошел стремительный рост технических возможностей для сбора и хранения больших массивов данных. И этот рост продолжается. Уже накоплены миллионы баз данных, которые охватывают практически все области человеческого знания. Подобный рост объема хранимых данных остро поднимает проблему поиска данных, а также, что еше более важно, порождает необходимость в средствах, позволяющих автоматически извлекать полезные знания из больших массивов данных. Именно к таким средствам и относится Интеллектуальный анализ данных ИАД. ДСМмстод автоматического порождения гипотез это один из методов ИАД Интеллектуального анализа данных. ДСМмстод позволяет при помощи анализа имеющейся базы фактов сделать предположения о причинах наличия или отсутствия определенных свойств целевые свойства у объектов предметной области. Этот метод предложил В. К. Финн . Формализация структурной индукции ДСМмстода, или . Мметода, как его иногда еще называют, берет свое начало от известного английского философа, логика, историка и социолога Д. ДСМметод может использоваться для анализа данных в различных предметных областях. ДСМметода имеют достаточно большую вычислительную сложность. Объекты ДСМметода должны быть струк турированы таким образом, чтобы мы имели возможность определять их сходство то общее, что есть у этих объектов. Закономерности предметной области должны иметь детерминистский нестатистический характер. В работах, посвященных ДСМметоду, принято интерпретировать закономерную связь между структурой объекта и его целевыми свойствами как причинноследственную. Т.е.