Розділ інформаційні системи з інтелектуальною підтримкою принять рішень




Скачати 253.11 Kb.
НазваРозділ інформаційні системи з інтелектуальною підтримкою принять рішень
Дата конвертації26.02.2013
Розмір253.11 Kb.
ТипДокументы
uchni.com.ua > Інформатика > Документы

РОЗДІЛ 1. ІНФОРМАЦІЙНІ СИСТЕМИ З ІНТЕЛЕКТУАЛЬНОЮ ПІДТРИМКОЮ ПРИНЯТЬ РІШЕНЬ





    1. Структура інформаційних систем


Структуру інформаційної системи становить сукупність окремих її частин, які називаються підсистемами.

Загальну структуру інформаційної системи можна розглядати як сукупність підсистем незалежно від сфери застосування. У цьому випадку говорять про структурну ознаку класифікації, а підсистеми називають забезпечуючими. Таким чином, структура будь-якої інформаційної системи може бути представлена ​​сукупністю забезпечуючих підсистем (рисунок 1.1).



Рисунок 1.1 – Структура інформаційної системи як сукупність забезпечуючи підсистем

Серед забезпечуючих підсистем звичайно виділяють інформаційне, технічне, математичне, програмне, організаційне, правове та інше забезпечення.

Інформаційне забезпечення

Призначення підсистеми інформаційного забезпечення полягає у своєчасному формуванні й видачі достовірної інформації для прийняття управлінських рішень.

Інформаційне забезпечення – сукупність уніфікованих систем документації, схем інформаційних потоків, що циркулюють в організації, а також методологія побудови баз даних.

Уніфіковані системи документації створюються на державному, республіканському, галузевому та регіональному рівнях. Головне завдання – це забезпечення зіставлення показників різних сфер суспільного виробництва. З цією метою розроблені стандарти, в яких встановлюються вимоги до уніфікованих систем документації.

Схеми інформаційних потоків відображають маршрути руху інформації і її обсяги, місця виникнення первинної інформації й використання результатної інформації.

Схеми інформаційних потоків забезпечують:

• виключення дублюючої й невикористовуваної інформації[1];

• класифікацію й раціональне подання інформації.

Методологія побудови баз даних включає в себе два етапи:

• 1 етап – обстеження всіх функціональних підрозділів фірми з метою з'ясування специфіки її діяльності;

• 2 етап – побудова концептуальної моделі даних для обстеженої на 1-му етапі сфери діяльності.

Для створення інформаційного забезпечення необхідно:

• ясне розуміння цілей, завдань, функцій всієї системи управління організацією;

• виявлення руху інформації, представленої для аналізу у вигляді схем інформаційних потоків, від моменту виникнення і до її використання на різних рівнях управління;

• вдосконалення системи документообігу;

• наявність і використання системи класифікації та кодування;

• володіння методологією створення концептуальних моделей, що відбивають взаємозв'язок інформації;

• створення масивів інформації на машинних носіях, що вимагає наявності сучасного технічного забезпечення.

^ Технічне забезпечення

Технічне забезпечення – це комплекс технічних засобів, призначених для роботи інформаційної системи. Комплекс технічних засобів становлять:

• комп'ютери будь-яких моделей;

• пристрої збору, накопичення, обробки, передачі й виводу інформації;

• пристрої передачі даних і лінії зв'язку;

• оргтехніка й пристрої автоматичного знімання інформації;

• експлуатаційні матеріали та ін.

На наш час склалися наступні форми організації технічного забезпечення (форми використання технічних засобів):

• централізована;

• частково децентралізована;

• повністю децентралізована.

Централізоване технічне забезпечення базується на використанні в інформаційній системі великих ЕОМ та обчислювальних центрів.

Децентралізація технічних засобів припускає реалізацію функціональних підсистем на персональних комп'ютерах безпосередньо на робочих місцях.

Найбільш перспективним підходом слід вважати, мабуть, частково децентралізований підхід – організацію технічного забезпечення на базі розподілених мереж, що складаються з персональних комп'ютерів (робочих станцій) і мережевого сервера для зберігання баз даних, загальних для будь-яких функціональних підсистем.

^ Математичне та програмне забезпечення

Математичне та програмне забезпечення – сукупність математичних методів, моделей, алгоритмів і програм для реалізації цілей і завдань інформаційної системи, а також нормального функціонування комплексу технічних засобів.

До засобів математичного забезпечення відносяться:

• засоби моделювання процесів управління;

• типові завдання управління;

• методи математичного програмування, математичної статистики, теорії масового обслуговування та ін.

До складу програмного забезпечення входять загальносистемні і спеціальні програмні продукти, а також технічна документація.

До загальносистемного програмного забезпечення відносяться комплекси програм, орієнтованих на користувачів і призначених для вирішення типових завдань обробки інформації. Вони служать для розширення функціональних можливостей комп'ютерів, контролю і управління процесом обробки даних.

Спеціальне програмне забезпечення являє собою сукупність програм, розроблених при створенні конкретної інформаційної системи. До його складу входять пакети прикладних програм (ППП)[2], що реалізують розроблені моделі, що відображають функціонування даного об'єкту.

Технічна документація на розробку програмних засобів повинна містити опис завдань, завдання на алгоритмізацію, економіко-математичну модель задачі, контрольні приклади.

^ Організаційне забезпечення

Організаційне забезпечення – сукупність методів і засобів, що регламентують взаємодію працівників з технічними засобами і між собою в процесі розробки і експлуатації інформаційної системи.

^ Правове забезпечення

Правове забезпечення – сукупність правових норм, що визначають створення, юридичний статус і функціонування інформаційних систем, що регламентують порядок одержання, перетворення і використання інформації.

Правове забезпечення етапів розробки інформаційної системи включає нормативні акти, пов'язані з договірними відносинами розроблювача[3] і замовника і правовим регулюванням відхилень від договору.

Правове забезпечення етапів функціонування інформаційної системи включає:

• статус інформаційної системи;

• права, обов'язки та відповідальність персоналу;

• правове становище окремих видів процесу управління;

• порядок створення і використання інформації та ін.
^ 1.2 Класифікація інформаційних систем
Перш ніж приступити до розгляду інформаційних систем, їх класифікації та використанню, необхідно визначити терміни інформаційна система та інформаційна технологія.

Інформаційна система (ІС) збирає, обробляє, зберігає, аналізує і поширює інформацію для специфічних цілей. Як і будь-яка система, ІС включає вхідну інформацію (дані, інструкції) і вихідну інформацію (звіти, розрахунки). Вона обробляє вхідну інформацію і утворює вихідну інформацію, яка надсилається користувачеві або іншій системі. Вона може також включати механізм зворотного зв'язку, який контролює операції. Як і будь-яка інша система, ІС діє в навколишньому середовищі.

Комп'ютеризована ІС – це ІС, яка використовує комп'ютерну технологію для виконання деяких або всіх своїх завдань.

Такі системи можуть включати персональний комп'ютер і програмне забезпечення або вони можуть включати декілька тисяч комп'ютерів різних розмірів з сотнями принтерів, плотерів та інших пристроїв, таких як комунікаційні мережі та бази даних.

У більшості випадків ІС включають також людей.

Нижче перераховані базові компоненти інформаційних систем:

  • технічне забезпечення це набір пристроїв, таких як процесор, монітор, клавіатура та ін., які дозволяють здійснювати доступ до даних та інформації, її обробку та надання;

  • програмне забезпечення це набір програм, який дає можливість технічному забезпеченню обробляти дані[4];

  • база даних це сукупність пов'язаних файлів, таблиць, відношень і т.д., які зберігають дані та їх об'єднання;

  • мережа це зв'язуюча система, яка дозволяє здійснювати розділення ресурсів різних комп'ютерів;

  • процедури це набір інструкцій про те, як комбінувати вищеназвані компоненти для того, щоб обробляти інформацію і генерувати необхідні виходи;

  • люди це ті індивідуальності, які працюють з системою або використовують її виходи.

Як видно, інформаційна система об'єднує набагато більше, ніж тільки комп'ютери. Успішне використання ІС вимагає розуміння бізнесу та його оточення, яке підтримується ІС.

Інформаційна технологія (ІТ), у вузькому визначенні, відноситься до технологічної сторони інформаційної системи. ІТ включає технічне забезпечення, бази даних, програмне забезпечення, мережі та інші засоби. Вона може розглядатися як підсистема ІС. Іноді термін ІТ використовується в широкому сенсі для опису сукупності декількох ІС, користувачів та менеджменту всієї організації.

ІТ відрізняються за типом оброблюваної інформації (рисунок1.1), але можуть об'єднуватися в інтегровані технології.

Тепер, коли визначені базові терміни, розглянемо класифікацію ІС.

ІС можуть бути класифіковані декількома шляхами: по організаційним рівням, основним функціональним областям і забезпечуваній підтримці.

  1. ^ Класифікація по організаційній структурі. Організації складаються з таких компонентів, як відділи, департаменти і групи [5]. Одним із шляхів класифікації ІС є поділ по організаційних структурних лініях ієрархії. Таким чином, ми можемо знайти ІС, побудовані для вищої ланки управління, для відділів, департаментів, оперативних функціональних одиниць і навіть для окремих працівників. Такі системи можуть бути самостійними або ж вони можуть бути взаємопов'язані(таблиця1.1).






Таблиця 1.1 – Види інформації, що обробляється




Дані

Текст

Графіка

Знання

Об'єкти реального світу

Види ІТ

СУБД, мови програмування, табличні процесори

Текстові процесори і гіпертекст.

Графічні процесори.

Інтелектуальні системи.

Засоби мультимедіа.





Інтегровані пакети: об'єднання різних технологій.



















  • ІС для департаментів. Часто організація використовує кілька прикладних програм в одній функціональної області або департаменті. Наприклад, у фінансовому департаменті деякі програми можуть бути повністю незалежні від інших, в той час як інші взаємопов'язані. Сукупність прикладних програм в галузі фінансового менеджменту називаються ІС фінансового менеджменту. Таким чином, вона згадується як одна ІС для департаменту, навіть якщо складається з декількох прикладних підсистем.

  • ІС підприємства. Так як ІС для департаментів зазвичай є спорідненими функціональним областям, то сукупність усіх додатків для департаментів становить ІС всього підприємства.

  • Міжорганізаційні системи. Ці ІС пов'язують дві і більше організацій і є загальними між бізнес партнерами, і екстенсивно використовуються для електронної комерції, найчастіше через Екстранет (extranet).

2. Класифікація за функціональним областям. ІС на рівні департаменту[6] підтримують традиційні функціональні області підприємства або фірми. Основними функціональними системами є:

  • ІС бухгалтерії;

  • Фінансова ІС;

  • Банківська ІС;

  • Виробнича ІС;

  • ІС управління персоналом.

  • ІС підтримки прийняття рішень.

У кожній функціональній області деякі рутинні й повторювані завдання існують як основа для рішень і дій організації. Підготовка платіжних відомостей та рахунків для оплати є типовими прикладами. ІС, яка підтримує рішення цих задач, називається система обробки транзакцій. Ці ІС підтримують завдання, які вирішуються у всіх функціональних областях, але особливо в бухгалтерії і фінансах.

3. ^ Класифікація за забезпечуваною підтримки. Третій шлях класифікації інформаційних систем – відповідно до типу підтримки, який вона забезпечує, незалежно від функціональної області. Наприклад, ІС може підтримувати офісних службовців майже в будь-якій функціональній області. Також і менеджерів, незалежно від того, де вони працюють, можуть бути підтримані комп'ютеризованою системою прийняття рішень. Основними типами ИС по цій класифікації є:

  • система обробки транзакцій (СОТ або TPS) – підтримує повторювані, рутинні завдання і дії, а також штат виконавця;

  • інформаційна система менеджменту (ІСМ) – підтримує функціональну діяльність менеджерів;

  • офісна автоматизована система – підтримує офісних службовців;

  • система підтримки рішень (СПР) – підтримує ухвалення рішень менеджерами та аналітиками;

  • виконавча інформаційна система підтримує рішення вищої управлінської ланки (EIS);

  • інтелектуальна інформаційна система (ІІС) – підтримує головним чином менеджерів по управлінню знаннями, аналітиків, але може також підтримувати інші групи співробітників.

  • Відношення між різними типами інформаційних систем підтримки прийняття рішень можна узагальнити наступним чином:

  • кожна система підтримки має досить унікальні характеристики і може бути класифікована як окремий об'єкт;

  • взаємовідношення і координація між різними типами систем перебувають у динаміці та постійному розвитку;

  • у багатьох випадках дві або більше системи інтегруються у форму гібридної інформаційної системи;

  • між системами циркулюють інформаційні потоки.
    1. ^

      Структура інформаційних систем з інтелектуальною підтримкою прийняття рішень


Будь-яка інформаційна система (ІС) виконує наступні функції: сприймає інформаційні запити, що вводяться користувачем та необхідні вихідні дані, обробляє введені і збережені в системі дані відповідно до відомого алгоритму і формує необхідну вихідну інформацію. З точки зору реалізації перерахованих функцій ІС можна розглядати як фабрику, що виробляє інформацію, в якій замовленням є інформаційний запит, сировиною – вихідні дані, продуктом – інформація, що вимагається, а інструментом (устаткуванням) – знання, за допомогою якого дані перетворюються в інформацію.

Знання має двояку природу: фактуальну і операційну.

• Фактуальне знання – це осмислені і зрозумілі дані. Дані самі по собі – це спеціально організовані знаки на деякому носії.

• Операційне знання – це ті загальні залежності між фактами, які дозволяють інтерпретувати дані або витягати з них інформацію. Інформація, по суті – це нове і корисне знання для вирішення яких-небудь завдань.

Часто фактуальне знання називають екстенсійним (деталізованим), а операційне знання – інтенсійним (узагальненим).

Процес отримання інформації з даних зводиться до адекватного з'єднання операційного та фактуального знань і в різних типах ІС виконується по-різному. Найпростіший шлях їх з'єднання полягає в рамках однієї прикладної програми:

Програма = Алгоритм (Правила перетворення даних + Керуюча структура) + Структура даних

Таким чином, операційне знання (алгоритм) і фактуальне знання (структура даних) невіддільні одне від одного. Однак, якщо в ході експлуатації ІС з'ясується потреба в модифікації одного з двох компонентів програми, то виникне необхідність її переписування. Це пояснюється тим, що повним знанням проблемної області володіє тільки розробник ІС, а програма служить "недумаючим виконавцем" знання розробника. Кінцевий же користувач внаслідок процедурності і машинної орієнтованості представлення знань розуміє лише зовнішню сторону процесу обробки даних і ніяк не може на нього впливати.

Наслідком перерахованих недоліків є погана життєздатність ІС або неадаптивність до змін інформаційних потреб. Крім того, в силу детермінованості алгоритмів розв'язуваних завдань ІС не здатна до формування у користувача знання про дії в не повністю визначених ситуаціях.

У системах, основаних на обробці баз даних (СБД – Data Base Systems), відбувається відділення фактуального і операційного знань одне від одного. Перше організується у вигляді бази даних, друге – у вигляді програм. Причому програма може автоматично[32] генеруватися по запиту користувача (наприклад, реалізація SQL або QBE запитів). У якості посередника між програмою і базою даних виступає програмний інструмент доступу до даних – система управління базою даних (СУБД):

СБД = Програма <=> СУБД <=> База даних

Концепція незалежності програм від даних дозволяє підвищити гнучкість ІС по виконанню довільних інформаційних запитів. Однак, ця гнучкість в силу процедурності подання операційного знання має чітко визначені межі. Для формулювання інформаційного запиту користувач повинен ясно уявляти собі структуру бази даних і до певної міри алгоритм вирішення задачі. Отже, користувач повинен досить добре розбиратися в проблемній області, в логічній структурі бази даних і алгоритмі програми. Концептуальна схема бази даних виступає в основному лише в ролі проміжної ланки в процесі відображення логічної структури даних на структуру даних прикладної програми.

Загальні недоліки традиційних інформаційних систем, до яких відносяться системи перших двох типів, полягають у слабкій адаптивності до змін в предметній області та інформаційним потребам користувачів, у неможливості вирішувати завдання, які погано формалізуються, з якими управлінські працівники постійно мають справу[7]. Перераховані недоліки усуваються в інтелектуальних інформаційних системах (ІІС).

Аналіз структури програми показує можливість виділення з програми операційного знання (правил перетворення даних) в так звану базу знань, яка в декларативній формі зберігає загальні для різних завдань одиниці знань. При цьому керуюча структура набуває характеру універсального механізму вирішення завдань (механізму виведення), який пов'язує одиниці знань у виконувані ланцюжки (генеруються алгоритми) в залежності від конкретної постановки задачі (сформульованої в запиті мети і вихідних умов). Такі ІС стають системами, заснованими на обробці знань (СБЗ – Knowledge Base (Based) Systems):

СБЗ = База знань <=> Керуюча структура <=> База даних (Механізм виводу)

Наступним кроком у розвитку інтелектуальних інформаційних систем є виділення в самостійну підсистему або репозиторій метазнання, що описує структуру операційного та фактуального знання і відображає модель проблемної області. У таких системах і програми, і структури даних генеруються або компонуються з одиниць знань[8], описаних в репозиторії, кожен раз при зміні моделі проблемної області.

ІІС, що обробляють мета знання, системами, основаними на моделях (СБМ – Model Based Systems):

СБМ = Репозиторій <=> Механізм => База даних

Модель даних генерації

Модель операцій або => Програми

Правила зв'язку конфігурації

Для інтелектуальних інформаційних систем, орієнтованих на генерацію алгоритмів розв'язання задач, характерні наступні ознаки:

• розвинені комунікативні здібності;

• вміння вирішувати складні завдання, що погано формалізуються;

• здатність до самонавчання;

• адаптивність.

^ Комунікативні здібності ІІС характеризують спосіб взаємодії (інтерфейсу) кінцевого користувача з системою[38], зокрема, можливість формулювання довільного запиту в діалозі з ІІС на мові, максимально наближеній до природньої.

^ Складні завдання, які погано формалізуються – це завдання, які вимагають побудови оригінального алгоритму рішення в залежності від конкретної ситуації, для якої можуть бути характерні невизначеність і динамічність вихідних даних і знань.

^ Здатність до самонавчання – це можливість автоматичного здобуття знань для вирішення завдань з накопиченого досвіду конкретних ситуацій.

Адаптивність – здатність до розвитку системи у відповідності з об'єктивними змінами моделі проблемної області.

У різних ІІС перераховані ознаки інтелектуальності розвинені не в однаковій мірі, та не часто всі чотири ознаки реалізуються одночасно. Умовно кожній з ознак інтелектуальності відповідає свій клас ІІС:

• Системи з інтелектуальним інтерфейсом;

• Експертні системи;

• Самонавчальні системи;

• Адаптивні системи.

^ Самонавчальні системи

В основі самонавчальних систем лежать методи автоматичної класифікації прикладів ситуацій реальної практики (навчання на прикладах). Приклади реальних ситуацій накопичуються за деякий історичний період і складають навчальну вибірку. Ці приклади описуються безліччю ознак класифікації. Причому навчальна вибірка може бути:

• "з вчителем", коли для кожного прикладу задається в явному вигляді значення ознаки його приналежності деякому класу ситуацій (класоутворюючої ознаки);

• "без вчителя", коли за ступенем близькості значень ознак класифікації система сама виділяє класи ситуацій.

У результаті навчання системи автоматично будуються узагальнені правила або функції, що визначають приналежність ситуацій класам, якими навчена система користується при інтерпретації нових виникаючих ситуацій. Таким чином, автоматично формується база знань, яка використовується при вирішенні задач класифікації і прогнозування. Ця база знань періодично автоматично коректується по мірі накопичення досвіду реальних ситуацій, що дозволяє скоротити витрати на її створення та оновлення.

Загальні недоліки, властиві всім самонавчальним системам, полягають у наступному:

• можлива неповнота і / або зашумленість (надмірність) навчальної вибірки і, як наслідок, відносна адекватність бази знань виникаючим проблемам;

• виникають проблеми, пов'язані з поганою смисловою ясністю залежностей ознак[9] і, як наслідок, нездатність пояснення користувачам отримуваних результатів;

• обмеження в розмірності ознакового простору викликають неглибокий опис проблемної області та вузьку спрямованість застосування.

^ Нейронні мережі.

В результаті навчання на прикладах будуються математичні вирішальні функції (передаточні функції або функції активації), які визначають залежності між вхідними (Xi) і вихідними (Yj) ознаками (сигналами) (рисунок 1.2).



Рисунок 1.2 – Вирішальна функція – «нейрон»

Вирішальні функції використовуються в задачах класифікації на основі зіставлення їх значень при різних комбінаціях значень вхідних ознак з деяким граничним значенням. У разі перевищення заданого порогу[47] вважається, що нейрон спрацював і таким чином розпізнав певний клас ситуацій. Нейрони використовуються і в задачах прогнозування, коли за значеннями вхідних ознак після їх підстановки в вираз вирішальної функції отримується прогнозоване значення вихідної ознаки.
^ 1.4 Використання нейромереж в інформаційних системах з інтелектуальною підтримкою прийняття рішень
Основним недоліком більшості з перерахованих вище підходів є складність (неможливість) рішення задачі прийняття рішень у випадку близькості за своїми ознаками елементів, що підлягають аналізу, а також наявність непустих перетинів множин ознак об'єктів, що належать різним класам. Нейронні мережі володіють здатністю до навчання, що дозволяє подолати ці недоліки, тому, найкращим підходом для вирішення поставленого завдання[10] є використання штучних нейронних мереж (ШНМ).

Ефективність роботи мережі для вирішення задачі прийняття рішень визначається якістю розв'язання задачі структурно-параметричного синтезу, складність вирішення якої багато в чому залежить від типів вхідних змінних в ШНМ, які можуть бути: числовими, бінарними, лінгвістичними, нечітко заданими, зображеннями (масиви даних).

Тоді, можна представити технологію побудови логічної нейронної мережі для системи прийняття рішень.

  1. Будується граф-схема логічного опису СПР, що містить рецептори для введення змінних, кон'юнктори, диз'юнктори і зв'язку між ними. (Така схема еквівалентна електронній схемі пристрою, що виконує роль СПР.)

  2. Позначення кон'юнкторів і диз'юнкторів замінюється позначенням нейрона (нейроподібного елемента).

  3. Вибирається відповідна функція активації з числа відомих, простих, рекомендованих або запропонованих автором – розробником.

Нейронна мережа готова до вживання за нечіткими даними. Необхідно лише зробити її верифікацію по відомих рішеннях.

Ще раз відзначимо, що завжди існує можливість так спростити логічну нейронну мережу, що вона зробиться одношаровою. Одношарова мережа, крім шару рецепторів, володіє єдиним шаром нейронів – носіїв функції активації (якщо відсутні зворотні зв'язки). Цей шар є і вихідним.

Побудова одношарової нейронної мережі проводиться на основі подання всіх логічних функцій, що утворюють опис СПР, в диз'юнктивній нормальній формі. Далі, якщо необхідно, проводиться розмноження рішень – закріплення однакових рішень за однією або декількома кон'юнкціями (об'єднаними диз'юнкцією) окремо. Важливо відзначити, що розмножені рішення не довго залишаються однаковими. Адже доцільно доповнити текст цих рішень хоча б вказівкою на те, з якої причини вони приймаються.

А як будувати логічні нейронні мережі із зворотними зв'язками? Чи не є рекомендації вище, орієнтованими виключно на формальний підхід? Так, безсумнівно, частка формалізму тут присутня, і при введенні зворотних зв'язків не обійтися без творчого осмислення суті предмета дослідження – того реального процесу управління, який належить автоматизувати.

Практична рекомендація тут може полягати в наступному:

За вказаною методикою слід побудувати логічну нейронну мережу без зворотних зв'язків. Потім, застосувавши відому частку винахідливості, додати в нейромережу зворотні зв'язки. Приклади показують, що ваги зворотних зв'язків можуть бути як позитивними, так і негативними, а також – змінними.

Основні етапи робіт

На рисунок 1.3 представлені основні етапи побудови СПР:



Рисунок 1.3 – Етапи розробки СПР.

^

1.5 Класифікація задач, що розв’язуються інформаційними системами з інтелектуальною підтримкою прийняття рішень


З появою перших ЕОМ настав етап інформатизації різних сторін людської діяльності. Якщо раніше людина основну увагу приділяла речовині, потім енергії (рисунок 1.4), то сьогодні можна без перебільшення сказати, що наступив етап усвідомлення процесів, пов'язаних з інформацією. Обчислювальна техніка створювалася, насамперед, для обробки даних. У даний час сучасні обчислювальні системи і комп'ютерні мережі дозволяють накопичувати великі масиви даних для вирішення задач обробки та аналізу. На жаль, сама по собі машинна форма подання даних містить інформацію, необхідну людині, в прихованому вигляді, і для її витягання потрібно використовувати спеціальні методи аналізу даних.

Великий обсяг інформації, з одного боку, дозволяє отримати більш точні розрахунки і аналіз, з іншого – перетворює пошук рішень у складну задачу. Не дивно, що первинний аналіз даних був перекладений на комп'ютер. У результаті з'явився цілий клас програмних систем, покликаних полегшити роботу людей, що виконують аналіз (аналітиків). Такі системи прийнято називати системами підтримки прийняття рішень – СППР (DSS, Decision Support System).

Для виконання аналізу СППР повинна накопичувати інформацію, володіючи засобами її введення та зберігання. Таким чином, можна виділити три основні завдання, які вирішуються в СППР:

  • введення даних;

  • зберігання даних;

  • аналіз даних.



Рисунок 1.4 – Рівень використання людиною різних об’єктів матеріального світу.

Таким чином, СППР – це системи, що володіють засобами введення, зберігання та аналізу даних, що відносяться до визначеної предметної області, з метою пошуку рішень.

Введення даних у СППР здійснюється або автоматично від датчиків, які характеризують стан середовища або процесу, або людиною-оператором. У першому випадку дані накопичуються шляхом циклічного опитування, або за сигналом готовності, що виникає при появі інформації. У другому випадку СППР повинні надавати користувачам зручні засоби введення даних, контролюючі коректність введених даних і виконують супутні обчислення. Якщо введення здійснюється одночасно кількома операторами, то система повинна вирішувати проблеми паралельного доступу і модифікації одних і тих же даних.

Постійне накопичення даних призводить до неперервного росту їх обсягу. У зв'язку з цим на СППР лягає завдання забезпечити надійне зберігання великих обсягів даних. На СППР також можуть бути покладені завдання запобігання несанкціонованому доступу, резервного зберігання даних, архівування і т. п.

Основне завдання СППР – надати аналітикам інструмент для виконання аналізу даних. Необхідно відзначити, що для ефективного використання СППР, її користувач – аналітик повинен володіти відповідною кваліфікацією. Система не генерує правильні рішення, а тільки надає аналітику дані у відповідному виді (звіти, таблиці, графіки і т. п.) для вивчення та аналізу, саме тому такі системи забезпечують виконання функції підтримки прийняття рішень. Очевидно, що, з одного боку, якість прийнятих рішень залежить від кваліфікації аналітика. З іншого – зростання обсягів аналізованих даних, висока швидкість обробки та аналізу, а також складність використання машинної форми представлення даних стимулюють дослідження і розробку інтелектуальних СППР. Для таких СППР характерно наявність функцій, що реалізують окремі розумові можливості людини.

За ступенем "інтелектуальності" обробки даних при аналізі виділяють три класи завдань аналізу:

  • інформаційно-пошуковий – СППР здійснює пошук необхідних даних. Характерною рисою такого аналізу є виконання заздалегідь визначених запитів;

  • оперативно-аналітичний – СППР виробляє групування та узагальнення даних в будь-якому вигляді, необхідному аналітику. На відміну від інформаційно-пошукового аналізу в даному випадку неможливо заздалегідь передбачити необхідні аналітику запити;

  • інтелектуальний – СППР здійснює пошук функціональних і логічних закономірностей у накопичених даних, побудова моделей і правил, які пояснюють знайдені закономірності та/або (з певною ймовірністю) прогнозують розвиток деяких процесів .

Узагальнена архітектура системи підтримки прийняття рішень зображена на рисунку 1.5.


Рисунок 1.5 – Узагальнена архітектура системи підтримки прийняття рішень.

Розглянемо окремі підсистеми більш докладно.

Підсистема вводу даних. У таких підсистемах, що називаються OLTP (Online transaction processing), реалізується операційна (транзакційна) обробка даних. Для їх реалізації використовують звичайні системи управління базами даних (СКБД).

^ Підсистема зберігання. Для реалізації даної підсистеми використовують сучасні СУБД і концепцію сховищ даних.

Підсистема аналізу. Дана підсистема може бути побудована на основі:

  • підсистеми інформаційно-пошукового аналізу на базі реляційних СУБД і статичних запитів з використанням мови SQL (Structured Query Language);

  • підсистеми оперативного аналізу. Для реалізації таких підсистем застосовується технологія оперативної аналітичної обробки даних OLAP (On-line analytical processing), що використовує концепцію багатовимірного подання даних;

  • підсистеми інтелектуального аналізу. Дана підсистема реалізує методи і алгоритми Data Mining ("добування даних").



^

1.6 Критерії ефективності функціонування нейромереж в складі інформаційних систем з інтелектуальною підтримкою прийняття рішень



Наявність очевидної взаємної залежності між складністю моделі, розмірами навчальної вибірки і результуючою узагальнюючою здатністю моделі на незалежних даних передбачає можливість визначення цієї залежності тим або іншим способом.

Іншими словами, для знаходження методу побудови ефективних нейронних мереж нам необхідно визначитися з можливими способами оцінки узагальнюючої здатності мережі.

Існуючі оцінки можна умовно розділити на валідаційні та алгебраїчні. Валідаційні оцінки основані на додатковому аналізі даних. Алгебраїчний спосіб побудови оснований на виконанні деяких припущень про розподіл даних.

^ Валідаційні оцінки

Найпростішим випадком валідаційних оцінок є розбиття всієї доступної для навчання вибірки даних на навчальну та перевірочну вибірки. Навчальна вибірка використовується в процедурі навчання мережі, а перевірочна – тільки для обчислення середньоквадратичної помилки моделі. Тим не менш перевірочна вибірка є частиною процедури налаштування мережі, оскільки вона через значення помилки буде визначати вибір мережі. Даний підхід ефективний у разі, якщо є велика кількість прикладів, достатня для двох наборів.

Вибір прикладів для перевірочного набору завжди буде суттєвим. Метод крос-валідації (KB) припускає усереднення ефекту вибору певного перевірочного набору шляхом побудови і позмінного використання на всій доступній вибірці даних декількох піднаборів. Весь набір розбивається на Q піднаборів Sj розміру V кожен, так що N = QV. Навчається Q різних варіантів мережі, що реалізують оцінки fj (x, D) на всій вибірці[11], виключаючи почерговий Sj. Таким чином, оцінка узагальнюючої здатності мережі приймає вигляд:

(1.1)
Найбільш відомий варіант KB без одного (leave-one-out) з V = 1:
(1.2)
Використання передбачає навчання кожної з N додаткових нейронних мереж на N-1 прикладах. Фактично це означає розширення простору пошуку параметрів мережі в межах обраного класу топологій мережі Ai ⊂ A.

^ Алгебраїчні оцінки

У статистиці відома залежність між очікуваною помилкою на навчальній та тестовій вибірках для лінійних моделей при середньоквадратичному визначенні помилки:
(1.3)
Тут P – число вільних параметрів моделі. У разі нейронних мереж число вільних параметрів визначається архітектурою (числом шарів L, кількістю нейронів мережі γ і набором ваг зв'язків між нейронами мережі W. Передбачається, що дані вибірки D зашумлені незалежним стаціонарним шумом з нульовим середнім і дисперсією σ2.

Модель f θ (x, D) θ може розглядатися як локально лінійна в околі θ. Це припущення ігнорує гессіан і форму поверхні моделі в просторі параметрів вищого порядку. Модель є повною, тобто існує такий набір параметрів θ, що
(1.4)
На основі цього припущення будується ряд асимптотичних оцінок узагальнюючої здатності мережі. Одним з перших був запропонований інформаційний критерій Акаіка (AIC). Схожим критерієм являється запропонований Шварцем байєсівський інформаційний критерій (BIC):

(1.5)
Тут σ2 – деяка оцінка дисперсії шуму для даних вибірки.

Акаік запропонував використовувати оцінку
(1.6)
Результатом буде фінальна помилка передбачення (final prediction error, FPE). Ще одним її аналогом є узагальнена крос-валідація (generalized cross-validation, GCV). Хоча оцінки GCV і FPE будуть злегка розрізнятися для малих вибірок, вони є асимптотично еквівалентними для великих N:
(1.7)
Ключовим моментом буде те, що в алгебраїчних оцінках враховується складність моделі через число вільних параметрів P. Очевидно, що в ряді випадків можуть задіятися не всі доступні параметри моделі, тому було запропоновано оцінювати ефективне число параметрів моделі. У серії робіт Муді запропонував критерій, названий узагальнено прогнозуючою помилкою (generalized prediction error, GPE):

(1.8)
Тут HS і HC – гессіани середньоквадратичної помилки[12] і регулюємі доданки відповідно, а Pε – ефективне число параметрів моделі. У разі широко використовуваного регулювання доданка пониження ваг число ефективних параметрів Pε прийме вид
(1.9)
де λk – це власні вектори HS, а ξ – коефіцієнт.

Запропонована також аналогічна GPE оцінка[13] – мережевий інформаційний критерій (network information criterion, NIC)[14].

Порівнюючи два різних підходи до оцінки узагальнюючої здатності мережі, можна зробити кілька загальних висновків. Оцінки, засновані на валідації, є дуже витратними з обчислювальної точки зору. Асимптотичний характер алгебраїчних оцінок припускаючи наявність досить великого набору даних дає більш точний результат.

Використання наведених оцінок для вибору тієї чи іншої нейронної мережі ускладнюється через відсутність механізмів перебору моделей, однак для GPE були зроблені такі спроби.

Важливо відзначити, що Мурата показав, що критерії[15], подібні AIC, NIC і GPE, найефективніше застосовувати для порівняння моделей ієрархічно вкладених одна в одну, тобто коли одна нейронна мережа вкладена в іншу як підмережа меншої розмірності.

Схожі:

Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРозділ методологія побудови інформаційної системи з інтелектуальною...

Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРозділ нейромережі як інтелектуальний елемент інформаційної системи
Структура інформаційних систем з інтелектуальною підтримкою прийняття рішень
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРозділ методологія побудови інформаційної системи з інтелектуальною підтримкою прийняття рішень
Структурно-параметричний синтез включає в себе два основних етапи: структурну ідентифікацію та параметричну ідентифікацію
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconВисновки
Запропоновано нову структуру інформаційної системи з інтелектуальною підтримкою прийняття рішень на основі використання нейромереж,...
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconЗвіт про науково-дослідну роботу
Методологія побудови інформаційних систем з інтелектуальною підтримкою прийняття рішень
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРеферат Звіт по ндр : 376с., 144 рис., 10 табл., 143 джерела
Об’єкт дослідження − є інформаційна система з інтелектуальною підтримкою прийняття рішень
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconУрядові та парламентські інформаційні системи
Державні інформаційні організації підпорядковані всім відомствам І регіональним адміністраціям
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень icon1 Підходи до прийняття рішень І фактори, що впливають
Розділ Вдосконалення процесу прийняття управлінських рішень у менеджменті зовнішньоекономічної діяльності
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРозділ Інформаційні технології в організації процесу навчання Поняття...
Аналіз програми курсу «Основи економіки» та психологічна характеристика групи навчання; 15
Розділ інформаційні системи з інтелектуальною підтримкою принять рішень iconРобоча програма виробничої практики студентів-магістрів V курсу спеціальності...
Виробничу практику проходять студенти-магістри V курсу спеціальності 050207 „Економічна кібернетика" спеціалізації „Інформаційні...
Додайте кнопку на своєму сайті:
Школьные материалы


База даних захищена авторським правом © 2014
звернутися до адміністрації
uchni.com.ua
Головна сторінка