Солодовников владимир Игоревич Использование методов принятия решения при проектировании нейросетевых структур обработки данных

---

На правах рукописи
СОЛОДОВНИКОВ Владимир Игоревич
Использование методов принятия решения при проектировании
нейросетевых структур обработки данных
Специальность: 05.13.12 - Системы автоматизации проектирования
Автореферат диссертации на соискание ученой степени
кандидата технических наук
Москва - 2004

---

Работа выполнена в Московском Государственном институте электроники и
математики (Техническом университете) на кафедре «Информационные технологии в
автоматизированных системах».
Научный руководитель:
Доктор технических наук, профессор
Шрамков Игорь Григорьевич
Официальные оппоненты:
Доктор технических наук, профессор
Кандидат технических наук, доцент
Макаров Валерий Федорович
Ульянов Михаил Васильевич
Ведущая организация:
Государственный научно-исследовательский институт информационных
технологий и телекоммуникаций «Информика»
Защита диссертации состоится 2004 года в часов на
заседании диссертационного совета Д 212.133.03 Московского государственного
института электроники и математики (Технического университета) по адресу:
109028 Москва, Большой Трехсвятительский переулок, 1-3/12 стр. 8.
С диссертацией можно ознакомиться в библиотеке Московского
государственного института электроники и математики.
Автореферат разослан 2004 г.
И В. Прокофьев

---

- 3 -
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Стремительное развитие хранилищ данных и рост объемов
хранимой информации в самых различных областях человеческой деятельности
предъявляет новые требования к системам обработки информации, в частности, все
большую актуальность приобретают системы, способные не просто складировать
данные, но и позволяющие осуществлять их анализ и обработку, находить
закономерности, производить прогнозирование и выдавать результат в виде
доступном человеку. При этом одна из основных проблем заключается в том, что
данные могут быть разнотипными (количественными, качественными, текстовыми),
многомерными, возможны пробелы в данных, отсутствие априорной информации,
сложность зависимостей.
Методы обработки данных могут быть разделены на три категории. К первой
относятся методы использующие средства формирования простых запросов и
отчетов, позволяющие осуществлять выборку тех данных, которые удовлетворяют
некоторым, заранее определенным условиям, т.е. помогают в отыскании фактов,
которые произошли в прошлом и были зафиксированы. Вторая включает в себя
средства OLAP (On-Line Analyzing Processing - Системы оперативной аналитической
обработки) позволяющие осуществить комплексный взгляд на собранную в
хранилище данных информацию, ее обобщение, получение итогов и сравнений путем
экстраполяции, агрегации, построения сводных отчетов и гиперкубического
представления. Более глубокий анализ данных осуществляется методами Data Mining
или, как их еще называют, методами «интеллектуального» анализа данных. Эта
технология направлена на обнаружение в «сырых» данных предварительно
неизвестных, практически полезных и доступных интерпретации знаний. Ее важным
положением является нетривиальность разыскиваемых шаблоноз, которые
представляют собой правила и закономерности, свойственные выборкам данных.
Таким образом, найденные шаблоны могут отражать неочевидные, неожиданные
регулярности в данных, составляющие так называемые скрытые знания.
Data Mining является мультидисциплинарной областью, возникшей и
развивающейся на базе достижений прикладной статистики, распознавания образов,
методов искусственного интеллекта, теории баз данных и др. Особенностью
алгоритмов и методов, применимых при «интеллектуальном» анализе данных,
является отсутствие ограничительных рамок априорных предположений о структуре
выборки и виде распределений значений анализируемых показателей, чему
наилучшим образом соответствует использование подхода, основанного на
нейросетевых технологиях обработки данных или нейросетевой Data Mining. Это
обусловлено способностью нейронных сетей к моделированию нелинейных
процессов, работе с зашумленными данными, адаптивностью (обучение и
самообучение), возможностью работы с малым объемом или полным отсутствием
априорной информации.
В настоящее время существует достаточно большое количество систем,
включающих в себя элементы нейросетевых технологий. Однако, их недостатком
может служить то обстоятельство, что в большинстве своем они напрямую не
предназначены для анализз информации, накопленной в базе данных, и требуют от
пользователя специальной подготовки и понимания в какой ситуации и для каких
целей может использоваться т а или иная с
е
т
г
а
б
о
т
к
у и
кодирование данных. Кроме того, многие ci дин вид

---

- 4 -
нейросети (например: многослойный персептрон с возможностью изменять
количество внутренних слоев и нейронов в слоях). В информационных системах
наибольшее распространение нейронные сети нашли в информационных хранилищах
для решения задач прогнозирования. Однако, в таких системах они являются
элементом программного обеспечения, к которому пользователь фактически не имеет
доступа, и решают ограниченный, заранее определенный класс задач.
В связи с вышеизложенным, актуальной становится задача разработки
подсистемы нейросетевой обработки информации, которая предоставляет механизмы,
позволяющие осуществлять проектирование и нахождение необходимых параметров
сети для решения различных задач Data Mining на имеющихся данных.
Целью диссертационной работы является разработка методов, математических
моделей и алгоритмов подсистемы принятия решений для автоматизированного
проектирования нейросетевых структур обработки баз данных в зависимости от
требозаний предъявляемых пользователем и имеющихся у него исходных данных.
Для достижения указанной цели были решены следующие основные задачи.
- Формирование критериев применимости нейронных сетей для решения
различных задач Data Mining, а также анализ зависимостей архитектуры сетей,
количества слоев и нейронов в каждом слое, от исходных данных.
- Разработка и совершенствование средств и методов принятия решений при
выборе и автоматизированном проектировании нейросетевых структур обработки
данных в зависимости от поставленной задачи и исходных данных
- Разработка информационной и объектно-ориентированной моделей
нейронных сетей, структуры фрагмента базы данных (БД) для хранения деревьев
решения, семантических сетей, а так же шаблонов и уже построенных нейросетей.
Объект исследования. Объектом исследования являются вопросы
использования методов принятия решений для автоматизированного проектирования
нейросетевых структур обработки данных в зависимости от требований
предъявляемых пользователем и исходных данных.
Предмет исследования. Предметом исследования настоящей работы является
анализ и разработка подсистемы «интеллектуальной» обработки информации
хранящихся в БД с использованием нейросетевых технологий.
Научная новизна и результаты, выносимые на защиту:
- Разработаны модифицированные деревья решений и операции над ними для
применения в качестве инструментария в подсистемах поддержки принятия решений.
- Разработаны алгоритмы формирования правил, прямого и обратного вывода
для модифицированных деревьев решения, а также алгоритм представления деревьев
решения в виде фактов семантической сети.
- Разработана методика для повышения эффективности выбора и
автоматизированного проектирования нейросетевых структур обработки данных с
помощью модифицированных деревьев решения.
- Разработаны информационная модель нейросетевых структур для хранения в
базе данных и объектно-ориентированная модель, представляющая собой иерархию
классов, для программной реализации, что позволяет осуществлять их гибкое и
эффективное конструирование.
Методы исследования. Исследование и решение поставленных в диссертации
задач проводилось на основе комплексного использования теории вероятности,
теории графов теории принятия решений, искусственных нейронных сетей, теории

---

- 5 -
систем. В разработке программного обеспечения использовалась технология
объектно-ориентированного программирования.