Совершенствование самоорганизующихся нейронных сетей Кохонена для систем поддержки принятия решений

Современный уровень развития аппаратных и программных средств с некоторых пор сделал возможным повсеместное ведение баз данных оперативной информации на всех уровнях управления. В процессе своей деятельности промышленные предприятия, корпорации, органы государственной власти и управления накопили большие объемы разнородных данных. Эти данные хранят в себе большие потенциальные возможности по извлечению полезной аналитической информации, на основе которой можно выявлять скрытые тенденции, строить стратегию развития, находить новые решения.

В последние годы используются следующие концепции накопления и анализа данных:

• хранилища данных (англ.: Data Warehouse) [1, 2, 3];

• оперативная аналитическая обработка данных (англ.: On-Line Analytical Processing, OLAP) [4];

• интеллектуальный анализ данных (англ.: Data Mining) [5].

Целью построения хранилища данных является интеграция, актуализация и согласование оперативных данных из разнородных источников для формирования единого непротиворечивого взгляда на объект управления в целом.

Задачами оперативной аналитической обработки данных является обобщение, агрегация, многомерный анализ и гиперкубическое представление информации, собранной в хранилище данных [7].

Интеллектуальный анализ данных — это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей.

5].

Системы обработки данных разделяются на два класса:

• системы, ориентированные на транзакционную обработку данных (СОД);

• системы, ориентированные на аналитическую обработку данных.

— системы поддержки принятия решений (СППР).

СОД предназначены для решения хорошо структурированных задач, по которым имеются входные данные, известные алгоритмы, ведущие к решению задач. Система работает с минимальным участием человека. Основными функциями СОД являются сбор данных и перенос их на машинные носители, передача в места хранения и обработки, хранение, обработка информации по стандартным алгоритмам, вывод и представление информации пользователю в виде регламентных форм [6].

СППР используются для решения в режиме диалога плохо структурированных задач, для которых характерна неполнота входных данных, частичная ясность целей и ограничений. Участие человека в работе системы велико, он может вмешиваться в ход решения, модифицировать входные данные, процедуры обработки, цели и ограничения задачи, выбирать стратегии оценки вариантов решений. СППР используется на уровне стратегического планирования, оперативного и управленческого контроля [6].

Настоящая диссертационная работа посвящена вопросам повышения эффективности принятия решений с использованием*современных методов интеллектуального анализа данных в СППР.

С помощью современных методов интеллектуального анализа данных можно решаются следующие категории задач [8]:

1. Задачи классификации. Использование методов позволяет выявить признаки, характеризующие однотипные группы объектов — классы,.

— для того чтобы по известным значениям этих характеристик можно было отнести новый объект к тому или иному классу. Методами решения задачи классификации являются: метод к-средних [9], байесовые сети [10], деревья решений [11], нейронные сети [12].

2. Задачи кластеризации. Логически продолжают идею классификации на более сложный случай, когда сами классы заранее не определены. Результатом использования методов, выполняющих кластеризацию, является определение тех присущих исследуемым данным признаков, которые разбивают их на группы. Такие группы данных называются кластерами. Объекты данных внутри кластеров «похожи» друг на друга и «отличаются» от объектов данных других кластеров. Методами решения задачи кластеризации являются нейронные сети, обучаемые без учителя — самоорганизующиеся карты Кохонена [13].

3. Задачи ассоциации. Методы выполняет поиск ассоциаций не на основе значений свойств одного объекта или события, а между двумя или несколькими одновременно наступающими событиями. При этом производимые правила указывают на то, что при наступлении одного события с той или иной степенью вероятности наступает другое.

4. Задачи выявления шаблонов последовательностей. Подобно ассоциациям, последовательности имеют место между событиями, но наступающими не одновременно, а с некоторым определенным разрывом во времени. Таким образом, ассоциация есть частный случай шаблона последовательности с нулевой временной задержкой.

5. Задачи прогнозирования. Методы выполняют оценку определенных будущих численных показателей системы на основе особенностей поведения текущих и исторических данных. Методами решения задачи являются методы получения статистических закономерностей, методы регрессионного и корреляционного анализа.

В диссертационной работе используются современные методы интеллектуального анализа данных, решающие задачи кластеризации, а именно самоорганизующиеся нейронные сети Кохонена.

Целью диссертационной работы является повышение эффективности систем поддержки принятия решений за счет применения усовершенствованной модели самоорганизующейся нейронной сети Кохонена.

Для достижения поставленной цели были решены следующие научные и практические задачи:

— исследование алгоритма работы классической модели самоорганизующейся нейронной сети Кохонена, его недостатков и существующих способов их устранения;

— разработка и исследование усовершенствованной модели нейронной сети Кохонена для устранения недостатков сетей этого типа: граничного эффекта и появления «мертвых» нейронов;

— повышение алгоритмической эффективности применения самоорганизующихся нейронных сетей при решении задач анализа данных в системах поддержки принятия решенийобеспечение встраиваемости полученных программно-алгоритмических результатов в различные системы поддержки принятия решений.

Методы исследования.

При решении задач, поставленных в работе, были использованы методы теории нейронных сетей. Для анализа качества работы нейронных сетей использовался критерий энтропии, используемый в теории информации. Для программной реализации использованы методы структурного и объектно-ориентированного анализа и программирования.

Научная новизна работы заключается в следующих положениях:

— разработана и исследована усовершенствованная модель нейронной сети Кохонена, которая, устраняет недостатки нейронных сетей этого типа, а также повышает точность и качество аппроксимации анализируемых данных;

— предложен новый метод установки связей между нейронами в решетке сети разработанной модели, который упрощает алгоритм установления размеров топологических областей соседства;

— определена и доказана эффективность применения усовершенствованной модели сети Кохонена в задачах кластерного анализа.

Практическая ценность работы заключается в:

— разработке методики анализа данных с помощью предложенной модели нейронной сети Кохонена;

— разработке программного решения в виде динамической библиотеки функций с открытым интерфейсом, которая обеспечивает возможность встраивания и использования разработанной модели нейронной сети в системах поддержки принятия решений.

Достоверность положений.

Достоверность научных положений настоящей работы подтверждена сравнением оценок точности и качества аппроксимации данных нейронными сетями разработанной и классической моделей Кохонена. В качестве критерия точности использовался критерий ошибки квантования из теории нейронных сетей, а в качестве критерия качества — критерий энтропии. Достоверность полученных результатов подтверждается также итогами применения разработанных алгоритмов на практике.

Апробация работы.

Основные положения диссертационной работы докладывались и обсуждались на расширенных заседаниях кафедры «Теоретической механики» и научных семинарах в ГОУ ВПО МГТУ «Станкин», а также — международных и всероссийских научно-технических конференциях: VIII-ая научная конференция ГОУ ВПО МГТУ «Станкин» и «Учебно-научного центра математического моделирования ГОУ ВПО МГТУ „Станкин“ — ИММ РАН», Москва, 2005 г.- Х-я Международная открытая научная конференция «Современные проблемы информатизации в технике и технологиях» (Воронеж, Воронежский государственный технический университет, 2005 г.) — VIII Международная научно-техническая конференция «Информационно-вычислительные технологии и их приложения» (Пенза, МНИЦ ПГСХА, 2008 г.) — Научно-методическая конференция «Машиностроениетрадиции и инновации» (Москва, ГОУ ВПО МГТУ «Станкин», 2008 г.).

Реализация работы.

Разработанное в настоящей диссертационной работе программное обеспечение (ПО), реализующее работу новой модели нейронной сети Ко-хонена, применялось для решения двух разнородных практических задач:

— разработанное ПО внедрено как модуль в систему менеджмента качества автоматизированной информационной системы управления производством шовного хирургического материала «ИГЛА» на ОАО «Московский завод координатно-расточных станков» (ОАО «МЗКРС») с целью выявления причин и скрытых закономерностей в появлении высокого процента брака готовой продукции. Имеется акт о внедрении в промышленную эксплуатацию;

— разработанное ПО использовалось на кафедре «Теоретическая механика» ГОУ ВПО МГТУ «Станкин» для анализа результатов моделирования работы конических зубчатых передач с круговыми зубьями в программном комплексе (ПК) «ЭКСПЕРТ», разработанном на кафедре, с целью выявления характеристик этих передач, влияющих на необходимость изготовления нестандартного режущего инструмента.

Публикации. По теме диссертационной работы опубликовано 7 научных работ, включая 2 научные работы в рецензируемых журналах из Перечня ВАК РФ, а также тезисы докладов, подготовленных для международных и региональных научно-технических конференций.

Структура и объем. Диссертация состоит из введения, 4 глав, основных результатов и выводов, списка используемой литературы из 68 наименований, изложена на 150 страницах машинописного текста, включая 54 рисунка и 12 таблиц.

Выводы по главе 4.

Разработанное программное решение с открытым интерфейсом в виде динамически присоединяемой библиотеки обеспечивает возможность его встраивания в системы поддержки принятия решений для обеспечения возможности анализа данных с применением самоорганизующихся нейронных сетей Кохонена разработанной и классической моделей.

Новый метод поиска нейронов-соседей в решетке нейронной сети Кохонена, разработанный в настоящей диссертационной работе, является алгоритмически более эффективным по сравнению с классическим методом поиска нейронов-соседей в сети Кохонена при любом количестве нейронов в сети и при заданном диапазоне изменения значений радиуса соседства.

Заключение

.

В диссертационной работе получены следующие результаты:

Решена актуальная научная задача, имеющая существенное значение для повышения эффективности систем поддержки принятия решений за счет применения усовершенствованной модели самоорганизующейся нейронной сети Кохонена с замкнутой решеткой.

Установлены связи между способами соединения нейронов на границах решетки сети Кохонена и эффективностью аппроксимации ею входного набора анализируемых данных.

Разработан новый метод установки связи между нейронами в решетке замкнутой сети и описана его математическая модель, упрощающая алгоритм установления размеров топологических областей соседства.

На основании проведенных исследований подтверждено, что разработанная модель нейронной сети решает проблемы граничного эффекта и появления «мертвых нейронов», свойственные классической модели сети этого типа, а также увеличивает точность и качество аппроксимации анализируемых данных.

Разработано программное обеспечение в виде динамической библиотеки функций с открытым интерфейсом, обеспечивающей встраивание и возможность использования разработанных программных инструментов интеллектуального анализа данных в системах поддержки принятия решений.

Разработан программный интерфейс пользователя, позволяющий наряду с подготовкой данных и обучением нейронной сети выполнять автоматизированный поиск закономерностей в данных на основе результатов ее обучения.

Получены практические результаты, иллюстрирующие актуальность и эффективность применения новой модели сети Кохонена в задачах выявления скрытых закономерностей в данных, учитываемых при принятии решений на этапе массового производства шовного хирургического инструмента и этапе конструкторской разработки мелкосерийного производства конических зубчатых передач с круговыми зубьями.