ВКР: Программное обеспечение для формирования базы нечетких правил из экспериментальных данных

Введение

В связи со стремительным развитием информационных технологий, человечество столкнулось с явлением быстрого увеличения объёма информации в масштабах планеты. По оценкам специалистов, информация удваивается каждые 2-3 года.[1] Информационные потоки поступают из самых разных областей человеческой деятельности, будь то наука, бизнес или Интернет. В связи с этим возникают новые задачи обработки данных и требуется разработка подходов и методов их решения, включающих поиск неявных, но практически полезных, взаимосвязей, обнаружение которых непосредственно человеком крайне трудновыполнимо. Именно задачей поиска ранее неизвестных, нетривиальных знаний занимается такая технология, как Data Mining. Этот термин введен Григорием Пятецким-Шапиро в 1989 году и означает буквально следующее: «Data mining — это процесс обнаружения в сырых данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности»[2]. Устоявшегося перевода на русский язык данный термин не имеет, но встречаются следующие варианты: добыча данных, извлечение данных, просев инфомации и интеллектуальный анализ данных.
Основой Data Mining являются разнообразные методы классификации, моделирования и прогнозирования, лежащие на стыке таких наук, как системы баз данных, статистика и искуственный интеллект.[1] К ним можно отнести следующее: искусственные нейронные сети, генетические алгоритмы, эволюционные алгоритмы, нечеткую логику и ассоциативную память.
Методы Data Mining находят своё применение в процессе принятия решений. В частности, имеет место быть задача построения нечёткой базы знаний. Нечеткие правила для базы могут быть получены двумя способами: экспертным путём и как результат процесса нахождения нечётких правил в массиве экспериментальных данных. При этом, для построения функции принадлежности могут быть использованы такие методы, как статистическая обработка экспертной информации (полученные функции принадлежности усредняют мнения коллектива специалистов относительно распределения элементов по множествам), метод парных сравнений (используется экспертом для построения функции принадлежности, указывающей на преимущество одного объекта над другим). Иной подход основывается на параметрической идентификации нечетких моделей по экспериментальным данным "входы — выход" [3]. Использование такого подхода решает проблему субъективизма построения функций принадлежности, но требует обучающей выборки и наличия нечеткой модели типа "входы — выход".