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

Апробация работы. Основные положения диссертационной работы
докладывались и обсуждались на научно-практических семинарах «Новые
информационные технологии» (Москва, 2000-2004 гг.), научно-технических
конференциях студентов, аспирантов и молодых специалистов МИЭМ (Москва, 2001»
2003 гг.), всероссийской научно-технической конференции «Аэрокосмические
технологии» (Реутов, НПО машиностроения, 2002 г.), научно-технической
конференции «Информационные технологии в проектировании, производстве и
образовании» (Ковров, 2002 г.).
Публикации по теме. По теме диссертации опубликовано 11 печатных работ.
Объем работы. Диссертационная работа состоит из введения, четырех глав,
заключения, списка литературы из 83 наименований и приложений. Основное
содержание диссертации изложено на 134 страницах и содержит 43 рисунка и 19
таблиц.

---

-6-
СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность темы. Формулируются цели и задачи
исследований, приводится перечень основных результатов, выносимых на защиту, и
излагается краткое содержание глав диссертации.
В первой главе обсуждаются вопросы современного состояния и тенденции
развития методов и систем обработки информации, хранящейся в базах данных и
информационных хранилищах. Проведен анализ различных типов возможных
закономерностей в данных и методов применимых в Data Mining. Обосновывается
выбор нейросетевых методов «интеллектуального» анализа данных, осуществляется
выбор нейропараднгм. Рассматриваются принципы теории принятия решений, а
также возможности ее использования при проектировании, обучении и анализе
нейросетевых структур в зависимости от требований предъявляемых пользователем и
имеющихся исходных данных.
Основными задачами, для решения которых используются методы
«интеллектуального» анализа данных, являются:
- ассоциация - поиск связанных друг с другом событий;
- последовательность - поиск цепочек связанных во времени событий;
- классификация - выявление признаков, наборов правил, характеризующих
группу, путем анализа уже классифицированных объектов;
- кластеризация - выделение однородных групп данных;
- прогнозирование - попытка найти шаблоны, адекватно отражающие
динамику поведения системы, т.е. предсказание поведения системы в
будущем на основе исторической информации;
- аномалии - выявление аномальных значений в данных;
- визуализация - графическое представление данных или результатов работы
системы, что способно помочь улучшить понимание структуры данных,
упростить процесс восприятия и интерпретации нового знания человеком.
Особенностью алгоритмов и методов, применимых для решения задач Data
Mining, является отсутствие ограничительных рамок априорных предположений о
структуре выборки, зависимостей и виде распределений значений анализируемых
показателей. Анализ различных методов обработки данных выявил их недостатки и
показал, что одним из наиболее перспективных является нейросетевой подход, что
обусловлено основными, характерными свойствами, присущими нейронным сетям.
Таковыми являются:
- адаптируемость - возможность обучения и подстройки параметров в
зависимости от условий функционирования;
- обобщение - является следствием распределенности и ассоциативности
памяти нейронной сети и проявляется в способности нейросетевых систем
давать рациональный выход на ранее неизвестный вход;
- универсальность - нейросетевой подход применим для решения широкого
класса задач в различных предметных областях;
- отказоустойчивость - сеть способна функционировать даже тогда, когда
некоторое количество нейронов и/или их связей выведено из строя.
Данные свойства определяют способность нейросетей к моделированию
нелинейных процессов, воспроизведению чрезвычайно сложных зависимостей,
•работе с зашумленными данными и малым объемом априорной информации.

---

- 7 -
Основной сложностью применения нейросетевого подхода является проблема
выбора оптимальной топологии, объема сети, значений весовых коэффициентов,
которые бы наилучшим образом удовлетворяли решаемой задаче на имеющихся
исходных данных. Это еще связано с тем фактом, что различные нейросети с
различными весовыми коэффициентами, могут показывать очень близкие результаты
на примерах обучающей выборки и существенно различающиеся при работе с
новыми, еще не предъявлявшимися данными. В связи с этим, пользователю
необходимы средства, способные помочь в выборе топологии сети и нахождении
значений ее параметров. Данное обстоятельство потребовало использования методов
теории принятия решений, которые представляют собой набор понятий и
систематических методов, позволяющих всесторонне анализировать проблемы
принятия решений в условиях неопределенности, при автоматизированном
проектировании нейросетевых структур в зависимости от требований предъявляемых
пользователем и имеющихся исходных данных.
Деревья решений являются основным подходом, применимым в теории
принятия решений, и представляют собой иерархическую структуру
классифицирующих правил типа if-then (если-то). Их достоинством является простота
и наглядность описания процесса принятия решений, который может быть
представлен, как последовательность ответов на вопросы, при этом, формируется
некоторая естественная цепочка рассуждений. Так же, данный подход обеспечивает
гибкость и удобство расширения системы при добавлении новых нейросетевых
парадигм или изменении условий проектирования уже существующих сетей.
Для иллюстрации предложенного подхода в диссертационной работе
рассмотрены такие нейросетевые парадигмы как: многослойный персептрон, RBF-
сеть, сеть динамических ядер, самоорганизующиеся карты Кохонена. - Их выбор
обусловлен тем фактом, что они достаточно хорошо изучены и способны решать
большинство рассматриваемых задач Data Mining. В случае необходимости, набор
используемых нейросетей может быть расширен, что позволит увеличить, как число
решаемых задач, так и методов их решения.