Разработка прикладных систем интеллектуального анализа данных для формирования требований ко вновь создаваемым системам

Решение указанных задач тесно связано с классификацией, распознаванием и прогнозированием поведения, как существующих, так и вновь проектируемых систем, с целью оптимизации технологий их реализации.

Одним из направлений решения вышеуказанных задач является разработка прикладных систем интеллектуального анализа данных (для конкретных предметных областей исследования) и создание средств поддержки принятия решений в вычислительных экспериментах.

Внедрение наукоемких информационных технологий нового поколения делает реальной возможность использования автоматизированной системы проектирования не только при проведении научных исследований, но и непосредственно при реализации реальных сложных систем. Это значительно уменьшит время на освоение новых систем, позволит избежать многочисленных ошибок при реализации задач нового типа.

Постановка задачи. Целью представленной работы является формирование общей методологии расширения приложений систем интеллектуального анализа данных [1] применительно к проектированию новых систем с заданными показателями и оптимизации существующих технологий их реализации.

При этом содержание указанного расширения относится ко всем этапам методологии:

• -    к обработке первоначальной информации при опоре на информационно-ориентирующую схему для малого объема требуемых прецедентов;

• -    к составлению аналитических представлений закономерностей (АПЗ) изменения переменных типа "эксплуатационные (потребительские) показатели системы - параметры технологической реализации системы".

Проблема проектирования новых систем с заданными показателями и оптимизации существующих технологий их реализации выдвигает на первый план решение следующих задач:

• 1.    Исследование и моделирование существующих процессов формирования и изменения (при эксплуатации) показателей системы.

• 2.    Обобщение и систематизация имеющихся данных (поведения системы в зависимости от изменения основных параметров и человеческого фактора, изменение структуры системы под воздействием внешних факторов) и создание на их основе классификационно-ориентирующих баз данных (КОБД).

• 3.    Прогнозирование поведения системы в зависимости от основных структурных параметров и технологических особенностей процесса с использованием КОБД.

• 4.    Оценка изменения характеристик системы при проектировании новых систем с заданными свойствами на основе КОБД.

Применение систем интеллектуального анализа данных для составления АПЗ при обработке полученных результатов позволяет учесть влияние разнообразных факторов, не увеличивая количества дорогостоящих экспериментов.

Методы решения. В работе для решения задач классификации, распознавания и прогнозирования свойств и характеристик исследуемых систем на основе формируемых КОБД при составлении АПЗ используется разработанный авторами расширенный метод линейных направлений -согласующих функций (ЛН-СФ,Р).

Метод ЛН-СФ,Р позволяет решать прямую задачу для функции многих переменных – составление АПЗ - связи выходных переменных с входными переменными по известным описаниям искомой функции по линейным направлениям в рассматриваемой области входных переменных.

На первом этапе в известной области описания признаков систем решается задача определения аналитических представлений закономерностей по методу ЛН-СФ[2] на основе малого объема экспериментальных данных.

На втором этапе на основе расчетных значений функции в узловых точках, которые несут в себе информацию о поведении функции также в промежуточных точках сетки, при опоре на использование ортогональных аппроксимаций изменения основных переменных [3], определяется описание функции по границам области изменения признаков систем (метода ЛН-СФ, Р). Далее, на основе указанных описаний функции по границам, получают уточняющее описание во всей области определения признаков. Для коррекции результатов полученного описания используются описания функции по промежуточным линейным направлениям, определенные на первом этапе (проверочная выборка линейных направлений).

В работе предлагается для совершенствования АПЗ опираться на описанные в литературе ансамбли функций, из которых наиболее подходящие варианты для аппроксимируемых функций выбираются варьированием (подбором) числовых значений параметров обозначенных ансамблей. Здесь в первую очередь рекомендуется воспользоваться ансамблями ортогональных базисов (базисами Чебышева и Лагерра), при этом не исключаются и базисы полиномиального варианта.

Заключение. На основе представленной методологии решения прямой задачи можно представить решение обратной задача методом ЛН-СФ, Р, когда в результате пассивного эксперимента или математических расчетов (численный эксперимент), получены значения искомой функции (прецеденты) в промежуточных точках ячейки локальной области входных переменных, которые, в общем случае, не являются узловыми. Неизвестными в этом случае являются коэффициенты разложения по базису, которые находятся методом наименьших квадратов.

Полученные на основе использования ортогональных аппроксимаций результаты можно использовать для сглаживания описания внутри области определения выходных признаков (на стыках ячеек), а так же при расширении области прогноза поведения искомой функции.

На основе АПЗ, полученных при решении обратной задачи, можно так же осуществлять прогнозирование значений искомой функции для любого сочетания значений входных переменных.