Интеллектуальные информационные системы
Основные понятия и принципы организации хранилищ данных.
Хранилище данных (Data Warehouse) – логически интегрированный источник данных для СППР и информационных систем руководства.
Назначение ХД - информационная поддержка принятия решений, а не оперативная обработка данных. ХД ориентированы на определенную предметную область и организуются на основе некоторых подмножеств данных.
В ХД собирается согласованная, обобщенная и подготовленная для принятия решений информация из разных источников, в числе которых могут быть оперативные базы данных фиксирующие ежедневные результаты работы корпорации.
Существуют 2 основных способа пополнения хранилища:
разовая загрузка,
регламентированная по времени (раз в неделю, месяц) пополнение хранилища новой информацией.
В хранилище хранится сгруппированная информация по так называемым “срезам”, необходимая для проведения оперативной аналитической обработки данных с помощью средств (методов), имеющихся в OLAP-системах.
Хранилища данных могут быть организованы с помощью многомерных СУБД, в которых данные представлены гиперкубом, или с помощью реляционных СУБД, где для ускорения операций обработки данных рекомендуют использовать схему организации хранения данных в виде «звезды». В этом случае мы имеем одну большую таблицу фактов, с которой связаны таблицы-размерности.
Наличие метаданных является принципиальным отличием СППР на основе Хранилища Данных от интегрированной системы управления организацией. В общем случае метаданные помещаются в централизованно управляемый Репозитарий, в который включается информация:
о структуре данных Хранилища;
о структурах данных, импортируемых из различных источников;
информация о самих источниках, методах загрузки и агрегирования данных;
сведения о средствах доступа, а также о правилах оценки и представления информации.
Классификация искусственных нейронных сетей. Самоорганизующиеся карты Кохонена.
Искусcтвенная нейронная сеть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС).
Классификация по типу входной информации
Аналоговые нейронные сети (используют информацию в форме действительных чисел);
Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).
Классификация по характеру обучения
С учителем (выходное пространство решений нейронной сети известно);
Без учителя (нейронная сеть формирует выходное пространство решений только на основе входных воздействий). Такие сети называют самоорганизующимися;
С критиком (система назначения штрафов и поощрений).
Классификация по характеру настройки синапсов
Сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи);
сети с динамическими связями (для них в процессе обучения происходит настройка синаптических связей).
Классификация по характеру связей
Сети прямого распространения (Feedforward). Все связи направлены строго от входных нейронов к выходным. Примерами таких сетей являются однослойный и многослойный перцептроны, сети Ворда.
Рекуррентные сети. Сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя. Как любая система, имеющая обратную связь, рекуррентная сеть стремится к устойчивому состоянию. Как известно, наиболее устойчивое состояние обеспечивается минимализацией энергии системы. Рекуррентная сеть «фильтрует» входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи компрессии данных и построения ассоциативной памяти. Ярким примером таких сетей является сеть Хопфилда.
Двунаправленные сети. В таких сетях между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном.
Радиально-базисные функции. Искусственные нейронные сети испольующие в качестве активационных функций радиально-базисные (такие сети сокращенно называются RBF-сетями). Общий вид радиально-базисной функции:
Самоорганизующиеся карты. Такие сети представляют собой, как правило, двумерную структуру нейронов. Перед обучением структура случайна, нейроны распределены примерно равномерно. При обучении, для каждой обучающей записи расчитывается точка, которая соответствует ей в структуре сети. Нейрон, находящийся ближе всего к искомой точке, называется нейроном-победителем. Веса связей, соединяющих этот нейрон с другими, увеличиваются, тем самым несколько упорядочивая структуру. Веса от нейронов, являющихся «соседями» нейрона победителя, к другим нейронам также увеличиваются, но слабее и т. д. Таким образом, чем чаще нейрон «побеждает» при сравнении с признаком, тем «плотнее» к нему находятся другие нейроны. В конце обучения сеть представляет из себя несколько зон сосредоточения нейронов, называемых кластерами.
Архитектура этой сети была создана финским исследователем Тео Кохоненым. На рис. 2.7. представлена обобщенная архитектура самоорганизующейся карты Кохонена (self-organizing map - SOM) – это двухслойная сеть, хотя иногда ее называют трехслойной, из-за того, что входы подвергаются нормализации.
