Диссертация (Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени)

2ОглавлениеВведение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Глава 1. Модели и методы обработки и анализа данных винтеллектуальных системах . . . . . . . . . . . . . . . . .1.1 Методы представления знаний в интеллектуальных системах .1.2 Проблема обобщения понятий . .

. . . . . . . . . . . . . . . .1.3 Задача обобщения понятий по признакам . . . . . . . . . . . .1.4 Динамический объект обобщения . . . . . . . . . . . . . . . .1.5 Выводы к первой главе . . . . . . . . . . . . . . . . . . . . . .......Глава 2. Задача обобщения для динамических объектов. Частныйслучай. . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .2.1 Временные ряды . . . . . . . . . . . . . . . . . . . . . . . . . . .2.1.1 Способы представления временных рядов . . . . . . . .2.1.2 Ограничения задачи . . . . . . . . . . . . . . . . . .

. . .2.2 Описание ситуаций с помощью временных рядов . . . . . . . .2.3 Задача обнаружения аномалий . . . . . . . . . . . . . . . . . . .2.3.1 Природа исходных данных . . . . . . . . . . . . . . . . .2.3.2 Обучающие выборки для задачи обнаружения аномалий2.3.3 Представление результатов для методов обнаруженияаномалий . . . . . . . . . .

. . . . . . . . . . . . . . . . .2.3.4 Области применения методов обнаружения аномалий . .2.3.5 Обзор и классификация методов обнаружения аномалий2.4 Использованные в работе наборы данных . . . . . . . . . . . . .2.4.1 Наборы данных из UCR Time Series Data Mining Archive2.4.2 Наборы данных из UC Irvine Repository . . . . . . . . .

.2.5 Модель шума в данных . . . . . . . . . . . . . . . . . . . . . . .2.5.1 Набор данных «цилиндр-колокол-воронка» . . . . . . . .2.5.2 Набор данных «контрольные карты» . . . . . . . . . . .2.6 Методы работы с зашумлёнными данными . . . . . . . . . . . .2.7 Постановка задачи обнаружения аномалий . . . . . . . . . . . .5............111319202426................2828303536374041......................424345484954575860626332.8 Задача обнаружения аномалий в наборах временных рядов содним классом . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .2.8.1 Разработка метода обнаружения аномалий . . . . . . . . . .2.8.2 Алгоритм «TS-ADEEP» . . . . . . . . . . . . . . . . . . . . .2.8.2.1 Вычислительная сложность алгоритма «TS-ADEEP»2.9 Задача обнаружения аномалий в наборах временных рядов снесколькими классами . .

. . . . . . . . . . . . . . . . . . . . . . . .2.9.1 Разработка метода обнаружения аномалий . . . . . . . . . .2.9.2 Алгоритм «TS-ADEEP-Multi» . . . . . . . . . . . . . . . . . .2.9.2.1 Вычислительная сложность алгоритма«TS-ADEEP-Multi» . .

. . . . . . . . . . . . . . . . .2.9.3 Использование деревьев решений для обнаруженияаномалий в наборах временных рядов с несколькимиклассами . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2.10 Выводы ко второй главе . . . . . . . . . . . . . . . . . . . . . . . .

.Глава 3. Задача обобщения для динамических объектов. Общийслучай. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.1 О технической диагностике . . . . . . . . . . . . . . . . . . . . . . .3.1.1 Диагностика на основе использования модели объекта .

. .3.1.2 Исходные данные для задачи диагностики . . . . . . . . . .3.2 Темпоральные деревья решений . . . . . . . . . . . . . . . . . . . .3.3 Алгоритмы построения темпоральных деревьев решений . . . . . .3.3.1 Алгоритм «CPD» . . . . . . . . . . . . .

. . . . . . . . . . . .3.3.2 Пример работы алгоритма «CPD» . . . . . . . . . . . . . . .3.3.3 Алгоритм «Темпоральный ID3» . . . . . . . . . . . . . . . . .3.3.4 Вычислительная сложность алгоритма «Темпоральный ID3»3.3.5 Пример работы алгоритма «Темпоральный ID3» . . . . . . .3.4 Моделирование процесса диагностики . .

. . . . . . . . . . . . . . .3.4.1 Апостериорная диагностика . . . . . . . . . . . . . . . . . .3.4.2 Диагностика в псевдореальном времени . . . . . . . . . . . .3.5 Выводы к третьей главе . . . . . . . . . . . . . . . . . . . . . . . . .67676971717172737477788081828992929496989899101101102Глава 4. Программная реализация и результаты моделирования .

. . . 1034.1 Описание реализованного программного комплекса . . . . . . . . . 10344.2 Результаты обнаружения аномалий для обучающего множества содним классом . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4.2.1 Алгоритм «TS-ADEEP» . .

. . . . . . . . . . . . . . . . . .4.3 Результаты обнаружения аномалий для обучающего множества снесколькими классами . . . . . . . . . . . . . . . . . . . . . . . . .4.3.1 Алгоритм «TS-ADEEP-Multi» . . . . . . . . . . . . . . . . .4.4 Результаты моделирования процесса диагностики сиспользованием темпоральных деревьев решений . . . . . . . . .4.4.1 Частный случай . . . . . . . .

. . . . . . . . . . . . . . . .4.4.2 Общий случай . . . . . . . . . . . . . . . . . . . . . . . . .4.5 Выводы к четвёртой главе . . . . . . . . . . . . . . . . . . . . . . .. 105. 105. 109. 109....114114116121Заключение . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123Список литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126Список рисунков . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137Список таблиц . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140Приложение А. Пример работы с программным комплексом . . . . . . 142Приложение Б. Свидетельства о государственной регистрациипрограмм для ЭВМ . . . . . . . . . . . . . . . .Б.1 «Noise study–Изучение шума» . . . . . . . . . . . .

. . . .Б.2 «Time Series Anomally Detection (TiSAD)» – «Обнаружениеаномалий в наборах временных рядов» . . . . . . . . . . .Б.3 «Temporal Decision Trees (TDT)» – «Темпоральные деревьярешений» . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .

. 148. . . . . 148. . . . . 149. . . . . 150Приложение В. Акт о внедрении . . . . . . . . . . . . . . . . . . . . . . . 151Приложение Г. Акт об использовании в учебно-научном процессе . . . 1525ВведениеАктуальность темы.Интеллектуальный анализ данных является на сегодняшний день однимиз активно развивающихся направлений в области искусственного интеллекта,тесно связанным с проблематикой машинного обучения и задачами выявленияскрытых закономерностей.

Важнейшим классом задач, решение которых требует интеллектуальной поддержки компьютерных систем, являются задачи управления сложными техническими объектами. Главной чертой подобных объектовуправления следует признать то, что они являются динамическими, обладаютспособностью к развитию, состояния таких объектов и систем могут изменятьсясо временем. Появление и развитие средств управления объектами, относящимися к категории динамических, тесно связано с развитием интеллектуальныхсистем поддержки принятия решений (ИСППР), включая наиболее сложных ихпредставителей – ИСППР реального времени, основным направлением развитиякоторых является разработка динамических моделей для представления и манипулирования знаниями о событиях, фактах, действиях, процессах, отражающих динамику поведения сложного технического объекта.

Поэтому актуальнойявляется задача разработки моделей представления знаний, процедур обобщения накопленного опыта и реализации соответствующих базовых программныхсредств. Известен целый ряд методов и алгоритмов, способных решать задачи обобщения: индукция решающих деревьев, приближенные множества, сетиБайеса и многие другие.

В разработке таких методов принимали участие каквыдающиеся зарубежные учёные Quinlan R., Pawlak Z., Mingers J., Utgoff P.,так и российские учёные Вагин В.Н., Финн В.К., Журавлёв Ю.И. Однако характерной особенностью таких методов является то, что результаты обобщенияявляются статичными и не учитывают такой важный при диагностике состояний сложной технической системы фактор как время. Разработкой методов иалгоритмов, учитывающих фактор времени, занимаются такие зарубежные ученые, как Console L., Picardi C., Dvorak P., Kuipers B., Sachenbacher М., Malik А.,Dupret D, Keogh E., Pazzani M., Olszewski R., Geurts P.

С помощью таких моделей можно представлять не только статические, но и динамические знанияо поведении сложного технического объекта. Интеллектуальные системы нового поколения ориентируются на работу с объектами, для которых характернодинамическое изменение состояний. Индуктивные модели, полученные на ос-6нове анализа таких данных, должны учитывать динамику поведения объекта,что является крайне важным, например, при диагностике текущего состояния ипрогнозировании дальнейшего поведения сложной технической системы.Объектом исследований являются интеллектуальные системы поддержкипринятия решений реального времени (ИСППР РВ).

Предметом исследований– методы и алгоритмы обобщения знаний, позволяющие учитывать фактор времени, и их применение в ИСППР РВ.Целью данной работы является исследование и разработка методов и алгоритмов обобщения знаний, позволяющих получать обобщённые описания классов ситуаций, изменяющихся со временем.Для достижения поставленной цели необходимо было решить следующиезадачи:– исследование существующих методов и алгоритмов представления иобобщения знаний в интеллектуальных системах поддержки принятиярешений;– разработка методов и алгоритмов обобщения знаний, позволяющих получать обобщённые описания классов ситуаций (объектов), изменяющихся со временем;– изучение возможности использования методов методов и алгоритмовобобщения знаний в интеллектуальных системах поддержки принятиярешений реального времени;– расширение понятийного аппарата: введение понятий, учитывающих динамическую природу объектов обобщения; формализация задачи обобщения для работы с динамическими данными;– разработка методов и алгоритмов обобщения знаний для динамическихобъектов обобщения;– проектирование и разработка программного комплекса, реализующегорассмотренные в работе методы и алгоритмы.Методы исследования.