Диссертация (Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени), страница 20

Кроме того, использование всех признаков (временных рядов) из описания ситуаций действительнопозволяет с высокой точностью разделить имеющиеся объекты на соответствуюшие классы.Такая ситуация – наличие нескольких динамически изменяющихся параметров, с помощью которых необходимо оценить состояние объекта управления – наиболее характерна для случая, когда речь идет об управлении сложнымтехническим объектом (примером такого объекта может быть, например, электростанция). При этом лицо, принимающее решения (диспетчер), должен распознать ситуацию на сложном техническом объекте и принять решение о том, чтосостояние объекта является нормальным или аномальным.

В последнем случаекрайне полезно отнести реальную ситуацию к определённому классу, в зависимости от типа неисправности. Следовательно, алгоритмы определения аномалийи классификации динамических ситуаций могут быть весьма полезными при ихиспользовании в ИСППР РВ.1214.5Выводы к четвёртой главеВ четвёртой главе:1. Представлена архитектура разработанного программного комплекса, реализующего предложенные в работе методы и алгоритмы; приведеноописание функционала входящих в комплекс программ.2. Приведены результаты использования программного комплекса для решения задачи обнаружения аномалий в наборах временных рядов с одним классом (алгоритм − ). Проведено сравнение точностиобнаружения аномалий с помощью алгоритма − с классическими алгоритмами классификации.

Сделаны выводы об эффективностипредложенного алгоритма.3. Приведены результаты использования программного комплекса для решения задачи обнаружения аномалий в наборах временных рядов снесколькими классами (алгоритм − − ). Проведено сравнение точности обнаружения аномалий с помощью алгоритма − − с классическими алгоритмами классификации.Сделаны выводы об эффективности предложенного алгоритма.4. Приведены результаты моделирования процесса диагностики с использованием темпоральных деревьев решений для частного случая и проведено сравнение предложенного алгоритма «Темпоральный ID3» с другими алгоритмами, решающими аналогичные задачи; сделаны выводы отом, что предложенный алгоритм «Темпоральный ID3» сравним со специализированными алгоритмами для классификации временных рядови превосходит классические алгоритмы классификации в среднем на0.34-12.76%; на трёх из одиннадцати использованных в работе наборовданных «Темпоральный ID3» по точности превосходит все классическиеалгоритмы.5.

Приведены результаты моделирования процесса диагностики с использованием темпоральных деревьев решений для общего случая и проведено сравнение предложенного алгоритма «Темпоральный ID3» с алгоритмом «CPD». В большинстве случаев предложенный в работе алгоритм «Темпоральный ID3» на рассмотренных наборах данных показывает более высокую точность классификации, на 0.83-13.33% выше,чем алгоритм «CPD». Сделаны выводы о том, что использование всех122признаков (временных рядов) из описания ситуаций действительно позволяет с высокой точностью разделить имеющиеся объекты на соответствуюшие классы.

В случае, когда ситуации описываются несколькимивременными рядами и нет (или не выявлен) единственный наиболее информативный параметр, алгоритм «Темпоральный ID3», используя вседоступные параметры, показывает точность классификации в среднемлучше, чем при использовании какого-либо одного параметра.123ЗаключениеВ диссертационной работе получены следующие результаты:1. Проведён обзор методов представления знаний в современных интеллектуальных системах и рассмотрена проблема работы с данными, явнозависящими от времени – темпоральными данными. Выделены основные категории таких данных, которые могут использоваться в ИСППРреального времени.

Введено понятие динамического объекта обобщения – структуры, описывающей динамическое состояние сложной технической системы, одним из параметров которой является время. Данапостановка задачи обобщения для случая, когда исходными даннымидля обобщения являются динамические объекты.2. Рассмотрена проблема обнаружения аномалий в случае, когда состояниесложной технической системы представимо временным рядом. Дана постановка задачи обнаружения аномалий в наборах временных рядов содним и несколькими классами и выполнен обзор существующих методов решения данных задач.3.

На основании анализа подходов к решению задачи обнаружения аномалий в наборах временных рядов предложены методы и разработаныалгоритмы «TS-ADEEP», «TS-ADEEP-Multi» обнаружения аномалий длянаборов временных рядов с одним и несколькими классами. Рассчитанаоценка вычислительной сложности разработанных алгоритмов.4.

Проведён анализ различных способов представления знаний в интеллектуальных системах. Выделен класс динамических объектов, представимых несколькими временными рядами. Для данного типа динамических объектов дана постановка задачи обобщения. Показано, что задачаобобщения для динамических объектов может быть использована длярешения задач диагностики состояний (ситуаций) в сложных динамических системах. На основании анализа подходов к решению такой задачивыбран подход на основе построения темпоральных деревьев решенийи приведено формальное описание темпоральных деревьев решений.5. Проведен обзор методов и алгоритмов построения темпоральных деревьев решений. Предложен новый алгоритм «Темпоральный ID3» построения темпоральных деревьев решений, использующий в качествекритерия выбора наблюдений для разбиения величину «прирост инфор-1246.7.8.9.мативности».

Получена оценка вычислительной сложности алгоритма«Темпоральный ID3» и показано, что она имеет полиномиальный характер.Для исследования возможностей разработанных методов и алгоритмовбыл спроектирован и разработан программный комплекс, позволяющийрешать задачу обнаружения аномалий для наборов временных рядов содним и несколькими классами; решать задачу обобщения для динамических объектов, представляющих собой как временные ряды, так инаборы временных рядов.

На разработанные программы, являющиесясоставными частями реализованного программного комплекса, получены свидетельства о государственной регистрации программ для ЭВМ№2012611444 от 13.12.2011, №2013618587 от 12.09.2013, №2013618586от 12.09.2013.Для алгоритмов TS-ADEEP и TS-ADEEP-Multi показано, что на известных наборах данных точность обнаружения аномалий сопоставима сточностью обнаружения аномалий рядом известных алгоритмов (методопорных векторов, алгоритм C4_5, байесовские сети, алгоритм RandomForest и др.). Выявлен ряд задач (например, control chart, beef ), для которых алгоритм TS-ADEEP показывает результаты, превосходящие результаты, показанные другими алгоритмами.Проведено сравнение точности классификации временных рядов с использованием алгоритма «Темпоральный ID3» с известными алгоритмами классификации (метод K ближайших соседей, C4_5, байесовскиесети, Random Forest и др.).

Показано, что в среднем алгоритм «Темпоральный ID3» превосходит такие алгоритмы на 0.34-12.76%. Проведеносравнение со специализированными алгоритмами (метод ближайшегососеда (евклидова метрика), 1-NN Best Warping Window Dynamic TimeWarping (r), 1-NN Dynamic Time Warping, no Warping Window, предназначенными для обработки временных рядов. Показано, что «Темпоральный ID3» по точности классификации сопоставим с такими алгоритмами.Проведено сравнение точности классификации динамических объектов, представленных наборами временных рядов, с алгоритмом «CPD»,наиболее «близким» к алгоритму «Темпоральный ID3».

Показано, что125в большинстве случаев алгоритм «Темпоральный ID3» превосходит«CPD» (в среднем на 0.83-13.33% для различных наборов данных).10. Результаты эксперимента позволяют сделать вывод об эффективностииспользования алгоритма «Темпоральный ID3» для работы с динамическими объектами, которые представлены наборами временных рядов.126Список литературы1. С.

Г. Антипов, М. В. Фомина. Метод формирования обобщенных понятий с использованием темпоральных деревьев решений // Искусственный интеллект и принятие решений. — 2010. — Т. 2. — С. 64–76.2. Antipov, S.G., Fomina, M.V. A method for compiling general concepts withthe use of temporal decision trees // Scientific and Technical InformationProcessing. — 2011. — Vol. 38, no. 6. — Pp. 409–419. — URL: http://dx.doi.org/10.3103/S0147688211060025.3.

С. Г. Антипов, М. В. Фомина. Проблема обнаружения аномалий в наборах временных рядов // Программные продукты и системы. — 2012. —Т. 2. — С. 78–82.4. Vagin, V.N., Fomina, M.V., Antipov, S.G. Modeling of algorithms of inductiveconcept formation in “noisy” databases // Automatic Documentation andMathematical Linguistics. — 2013. — Vol. 47, no. 4. — Pp. 151–161. — URL:http://dx.doi.org/10.3103/S0005105513040055.5. Вагин В.Н., Фомина М.В., Антипов С.Г. Моделирование алгоритмов индуктивного формирования понятий в «зашумленных» базах данных //Научно-техническая информация. Информационные процессы и системы.— 2013.

— Т. 7. — С. 20–32.6. С. Г. Антипов, В. Н. Вагин. Исследование алгоритмов обобщения понятий при наличии шума во входных данных // Труды XVI Международнойнаучно-технической конференции «Информационные средства и технологии». — Т. 2. — Москва: Издательский дом МЭИ, 2008. — С. 8–13.7. С. Г. Антипов.

Концептуальная схема базы данных для исследования алгоритмов индуктивного формирования понятий при наличии шума в данных // Радиоэлектроника, электротехника и энергетика. Пятнадцатая международная научно-техническая конференция студентов и аспирантов: тезисы докладов в 3 частях.

— Т. 1. — Москва: Издательский дом МЭИ, 2009.— С. 275–276.8. С. Г. Антипов. Использование темпоральных деревьев решений для задачдиагностики // XII Московская международная телекоммуникационная конференция студентов и молодых ученых "Молодёжь и Наука". Тезисы докладов в 2-х частях. — Т. 2. — Москва: МИФИ, 2009.

— С. 138–139.1279. С. Г. Антипов. Методы представления темпоральной информации в базахзнаний // Радиоэлектроника, электротехника и энергетика. Шестнадцатаямеждународная научно-техническая конференция студентов и аспирантов:тезисы докладов в 3 частях. — Т. 1. — Москва: Издательский дом МЭИ,2010. — С. 350–351.10. С. Г. Антипов, М.