18.Характеристика орієнтованих на знання іспр виробничої сфери.

Одним із перспективних напрямів розвитку систем підтримки

прийняття рішень є об’єднання технологій підтримки рішень і технології штучного інтелекту. Проте у контексті класифікації СППР доцільно розглянути модель СППР, яка ґрунтується на знаннях. Елементи штучного інтелекту, зокрема використання звичайної

мови для спілкування з системою, методологія експертних систем, інженерія знань і комп’ютерних мов штучного інтелекту знайшла застосування у трьох базових компонентах СППР: БД і СУБД, база моделей і система управління базою моделей (СУБМ), інтерфейсі користувача. Але є концепції створення СППР, в яких система знань в СППР виступає як один з визначальних чинників. Відмінною особливістю СППР, що ґрунтуються на знаннях, є явне виділення нового аспекту підтримки рішень – спроможність «розуміти» проблему, тобто здатність прийняти запит користувача, зібрати відповідну інформацію і підготувати звіт. Структурну схему СППР, яка ґрунтується на знаннях, зображено на рис. 4.3. Ця система складається з трьох взаємодіючих частин: мовна система (МС); система знань (БД, СУБД, база знань (БЗ) і система управління базою знань (СУБЗ)), і системи обробки (розв’язання) проблеми (проблемний процесор). Мовна система забезпечує зв’язок між користувачем і всіма компонентами комп’ютерної системи. За її допомогою користувач формулює проблему і керує процесом її рішення, використовуючи запропоновані мовною системою синтаксичні та семантичні засоби. Система знань вміщує інформацію стосовно предметної області. Типи цих систем відрізняються за характером представлення в них даних і використаними моделями формалізації знань (ієрархічні структури, графи, семантичні мережі, фрейми, обчислення предикатів тощо). Система обробки задач – це механізм, який пов’язує мовну систему і систему знань. Цей проблемний процесор забезпечує збір інформації, формулювання моделі, її аналіз, тощо. Він сприймає опис проблеми, виконаний відповідно до синтаксису мовної системи, і використовує знання згідно з прийнятими у системі знань правилами з метою створення інформації, необхідної для підтримки рішень. Проблемний процесор – це динамічна компонента СППР, що відображає (моделює) поведінку особи, яка вирішує проблему. Тому він повинен мати як мінімум, можливість інтегрувати інформацію, що надходить від користувача через мовну систему і систему знань, і, використовуючи математичні моделі, перетворювати формулювання проблеми у докладні процедури, виконання яких дає відповідь (розв’язок задачі). У складніших випадках проблемний процесор повинен вміти формулювати моделі, необхідні для вирішення поставленої проблеми.

19. Застосування нейронних мереж для аналізу часових рядів.

Часовий ряд - це впорядкована послідовність дійсних чисел х, , t = 1,2,.... Т, що представляють собою результати спостережень деякої величини. Ці значення зазвичай отримують як результати вимірювань в деякій фізичній системі.

Мета аналізу часових рядів полягає в тому, щоб витягти з даного ряду корисну інформацію. Для цього необхідно побудувати математичну модель явища. Така модель повинна пояснювати істота процесу, що породжує дані, зокрема - описувати характер даних (випадкові, мають тренд, періодичні, стаціонарні і т.п.).

Будь-яка залежність виду х, = f {x, t, x, 2,.... x, _f) + e, з безперервною нелінійної функцією / може бути відтворена на багатошарової мережі.

Замість того, щоб відображати поверхню у вхідному (фазовому) просторі, утворену даними, за допомогою однієї гіперплощини (AR), кількох гіперплоскостей (TAR), або декількох гіперплоскостей, гладко з'єднаних один з одним (STAR), нейронна мережа може здійснити довільне нелінійне відображення. Недавні дослідження показали, що нейронні мережі мають, в порівнянні з класичними моделями, вищі потенційні можливості при аналізі складної динамічної структури, але при цьому надають кращі результати і на таких відомих типах часових рядів, як стаціонарні, періодичні, трендові та деякі інші.

Нейронні мережі можна також застосовувати для одновимірного і багатовимірного аналізу, належним чином сформувавши безліч незалежних входів і залежних від них виходів. Як правило, модель будується для того, щоб передбачати значення часового ряду для однієї цільової змінної, проте, в принципі, модель може передбачати значення та кількох змінних (наприклад, доходи по акціях на