Система анализа нечетких данных

А. П. ВЕЛЬМИСОВ

Ульяновский государственный технический университет

СИСТЕМА АНАЛИЗА НЕЧЕТКИХ ДАННЫХ

Современный уровень распространения автоматизации деятельности приводит к формированию на предприятиях и в организациях баз данных больших объемов. Такие базы данных являются фактографическими, сформированными на основании решения задач учетного характера. В качестве примера можно привести базы данных транзакций биллинговых систем, автоматизированные системы бухгалтерского и управленческого учета, хранилища данных космических снимков, данные о совершенных покупках в супермаркетах и так далее. В подобных базах данных скрыты закономерности объектов и деятельности. Выявление таких законов, их вербализация, преобразование к формализованной аналитической форме, способствует формированию конструктивных моделей проблемных областей, в том числе математических. Извлеченные из баз данных законы проблемной области позволяют обеспечить оптимизацию деятельности предприятий и организаций, поддержку управленческих решений. Традиционным средством формирования математических моделей является статистический анализ, где в основном для задачи анализа данных в этом контексте применяются регрессионные методы. Применение статистических методов для задачи анализа данных затруднено тем, что часто для конкретной задачи из какой либо предметной области выборка характеризуется малыми объемами, не числовым характером атрибутов. В частности, в макроэкономических, социологических, маркетинговых базах данных широко используется лингвистическая форма представления данных. Вышеперечисленные трудности привели к формированию нового научного направления – интеллектуального анализа данных. Значительных результатов названное направление достигло в извлечении знаний из реляционных баз данных.

Несмотря на это в интеллектуальном анализе данных остается ряд нерешенных задач. Использование не числовых атрибутов, в том числе нечетких, не поддержано разработанными методами анализа. Фрагментарность выборки и не числовые атрибуты не позволяют выразить содержание объекта в традиционной математической форме уравнений или формул и предполагают использование баз правил (знаний). Отсутствуют методы объективной настройки функции принадлежности. Таким образом, разработка новых методов интеллектуального анализа данных и модернизация известных методов для нечетких реляционных серверов данных, является актуальной задачей.

Предложена нечеткая реляционная модель данных, определены требования и ограничения к модели, алгоритм нечеткой кластеризации, структура гибридной нечеткой нейронной сети. Система состоит из 3 компонент: нечеткий реляционный сервер, который позволяет хранить и оперировать с нечеткими значениями, алгоритм нечеткой кластеризации – позволяет разбивать данные без предварительных знаний о них на нечеткие кластеры и формировать базу правил, и нечеткая нейронная сеть позволяет осуществлять объективную настройку функций принадлежности лингвистических переменных и формирование базы сложных непротиворечивых правил. Данная система позволяет эффективно оперировать как с четкими так и с нечеткими данными, что позволяет формировать смешанные правила, где присутствуют как четкие так и нечеткие атрибуты.

Список литературы

1.  , Ярушкина нечеткой информации в СУБД // Искусственный интеллект: Тр. 7-ой национальной конференции. М.: издательство физ.-мат. литературы, 2000. С. 479-484.

2.  Городецкий состояние технологии извлечения знаний из баз и хранилищ данных (Часть1) // Новости ИИ, 2002. №3.

3.  Городецкий состояние технологии извлечения знаний из баз и хранилищ данных (Часть2) // Новости ИИ, 2002. №4.

4.  Ярушкина теории нечетких и гибридных систем. М.: Финансы и статистика, 20с.