Методы и алгоритмы интеллектуального анализа данных в динамических системах поддержки принятия решений

Важной проблемой современных интеллектуальных систем является создание эффективных моделей представления, хранения и обработки динамической информации. Целью работы стало исследование и создание высокоэффективных методов, ориентированных на работу с объектами, для которых характерно динамическое поведение. Поскольку данные, поступающие с динамических объектов, не только изменяются со временем, но могут содержать шум, для обобщения опыта по управлению такими объектами были созданы методы и алгоритмы, пригодные для работы с динамической, а также неопределённой, неполной, противоречивой информацией.В процессе выполнения НИР было выполнено следующее. Выполнен обзор методов представления и обработки временных рядов. Рассмотрен ряд практических задач, связанных с анализом временных рядов: задачи поиск аномалий в коллекциях временных рядов, анализ временных рядов в медицинской диагностике, проблема прогнозирования поведения временного ряда для задачи диагностики оборудования ТЭС. Проанализированы методы и модели, использованные для решения этих задач, дана их оценка.Методы интеллектуального анализа данных были использованы для создания алгоритмов обобщения, работающих с зашумленными данными. Был разработан метод и алгоритм построения бинарного дерева решений, использующий при построении классификатора критерий, отличный от известного критерия информативности. Экспериментально показано, что такой алгоритм способен успешно классифицировать зашумлённые данныеОдним из основных методов интеллектуального анализа данных в индуктивных системах являются алгоритмы машинного обучения. Был предложен метод планирования экспериментов, основанный на модифицированном методе крутого восхождения Бокса-Уилсона, позволяющий повысить качество машинного обучения и сократить количество проводимых экспериментов. Этот метод направлен на снижение перебора при выборе наилучших сочетаний параметров алгоритмов машинного обучения Применение метода позволяет сократить количество проводимых экспериментов на порядок по сравнению со стандартными методами подбора параметров алгоритмов машинного обучения.Важной частью работы стало исследование методов и алгоритмов обобщения, способных работать с темпоральными данными. Предложен оригинальный алгоритм обобщения, реализующий идею обработки интервальных временных данных с учетом темпоральных интервальных отношений логики Аллена. Алгоритм основан на анализе интервальных временных атрибутов, и строит классификатор в виде бинарного дерева решений, а также формирует набор продукционных правил, дополненных новыми отношениями.Разработанные методы и алгоритмы реализованы программно, экспериментально подтверждена их эффективность. Созданные методы и алгоритмы будут полезны при создании динамических интеллектуальных систем поддержки принятия решений (ИСППР) реального времени.Кроме теоретических исследований, был проведен большой объём компьютерных экспериментов, результаты которых позволяют сделать вывод о применимости предлагаемых методов и алгоритмов для решения практических задач, связанных с классификацией динамических объектов в условиях зашумленных данных. Создан программный комплекс поиска прецедентов «CBR-DDTC» который предназначен для применения в системах машинного обучения и объединяет в себе алгоритмы кластеризации и алгоритмы построения деревьев решений. Программный комплекс предназначен для ускоренного извлечения примеров понятий за счет предварительной кластеризации базы знаний интеллектуальной системы с последующим использованием алгоритмов индуктивного формирования понятий С4.5 и AMX. В настоящее время программный комплекс подан на регистрацию в Государственном фонде алгоритмов и программ.