Помощь в учёбе, очень быстро...
Работаем вместе до победы

Исследование и разработка системы поддержки принятия решений на основе прецедентов

Диссертация: Исследование и разработка системы поддержки принятия решений на основе прецедентов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Вывод, основанный на прецедентах — это метод принятия решений, в котором используются знания о предыдущих ситуациях или случаях (прецедентах). При таком выводе прецедент, если он признан схожим, часто является обоснованием решения. Практика принятия решения, моделирующая человеческие рассуждения, применяется во многих областях человеческой деятельности. Это широкий спектр возможных приложений… Читать ещё >

Содержание

  • 1. ОБЗОР МЕТОДОВ ВЫВОДА ПО ПРЕЦЕДЕНТАМ И ДОБЫЧИ ДАННЫХ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
  • 2. ОРГАНИЗАЦИЯ БАЗЫ ПРЕЦЕДЕНТОВ
    • 2. 1. Классификация неполностью описанных объектов
    • 2. 2. Мера близости
    • 2. 3. Отбор прецедентов
    • 2. 4. Адаптация решения
    • 2. 5. Выявление зависимостей
  • 3. РЕАЛИЗАЦИЯ
    • 3. 1. Выбор структуры системы
    • 3. 2. Выбор средства программирования
    • 3. 3. Инсталляция системы
    • 3. 4. Система «Универсальный Классификатор»
    • 3. 5. Система «Спутник Врача»
    • 3. 6. Выводы

Исследование и разработка системы поддержки принятия решений на основе прецедентов (реферат, курсовая, диплом, контрольная)

В диссертации рассматривается задача построения систем поддержки принятия решений на основе прецедентов.

В настоящее время разработано множество различных программных систем поддержки принятия решений. Наиболее трудными для анализа и принятия решений являются ситуации, чьи характеристики не поддаются формализации, т. е. выявлению основных факторов, связей между ними и силы влияния одних факторов на другие. В силу недостаточности знаний об объекте и среде, в которой он функционирует, попытки получить точную модель поведения такого объекта не представляются возможными. Однако управление такими объектами представляет не меньший интерес и является не менее важным, чем управление хорошо формализуемыми объектами.

Вывод, основанный на прецедентах — это метод принятия решений, в котором используются знания о предыдущих ситуациях или случаях (прецедентах). При таком выводе прецедент, если он признан схожим, часто является обоснованием решения. Практика принятия решения, моделирующая человеческие рассуждения, применяется во многих областях человеческой деятельности. Это широкий спектр возможных приложений, в том числе управление слабо формализуемыми объектами, медицина, управление предприятием и т. д. Все это обусловливает актуальность и значимость исследований в этой области.

Одна из основных проблем при построении подобных систем — выбор наиболее подходящих прецедентов, который упирается в оценку схожести прецедента и текущего случая. Суть предлагаемого подхода — в том, чтобы при отборе прецедентов использовать знания о предметной области (фоновое знание), полученные методами добычи данных. Анализ исследований в области интеграции методов вывода по прецедентам и добычи данных выявил незначительное число готовых решений в данной области. Это связано с новизной проблемы и отсутствием проработанной практики решения подобных задач. Такой подход востребован и актуален в области систем поддержки принятии решений.

Цель работы — разработка методики построения и реализация системы поддержки принятия решений на основе интеграции методов вывода по прецедентам и добычи данных.

Для достижения поставленной цели определены следующие основные задачи:

• сформулировать метод построения интеллектуальных систем на основе интеграции алгоритмов и эвристик вывода по прецедентам и добычи данных,.

• решить проблему выбора наиболее подходящих прецедентов в условиях, когда объект исследования не полностью описан и оценивается неоднозначно,.

• реализовать программный комплекс на основе предложенных принципов и методов аиализа данных.

На защиту выносятся следующие основные результаты:

• метод выбора наиболее подходящих прецедентов (аналогов) для неполностью описанных объектов, базирующийся на предварительном разбиении базы прецедентов на классы эквивалентности,.

• метод принятия решений по прецедентам с использованием методов добычи данных для отбора прецедентов,.

• эвристический алгоритм обнаружения зависимостей,.

• система поддержки принятия решений на основе прецедентов.

Все результаты являются новыми.

Практическая ценность работы заключается в том, что на основе предложенного подхода реализована программная система поддержки врачебных решений «Спутник Врача», внедренная в Московском областном научно-исследовательском клиническом институте (МОНИКИ).

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 5 научных конференциях:

• 6-я мевдународная конференция «РАСПОЗНАВАНИЕ ОБРАЗОВ И АНАЛИЗ ИЗОБРАЖЕНИЙ: НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ» (РОАИ-6−2002), октябрь 2002 г., Великий Новгород,.

• 6-й открытый российско-немецкий семинар «РАСПОЗНАВАНИЕ ОБРАЗОВ И ПОНИМАНИЕ ИЗОБРАЖЕНИЙ», Поселок Катунь, Республика Алтай, РФ, август 2003 г.,.

• 11-я Всероссийская конференция «Математические методы распознавания образов (ММРО-11)», Пущино, 2003 г.,.

• международная научная конференция «Интеллектуализация обработки информации (ИОИ 2004)», Алушта, 2004 г.,.

• 12-я Всероссийская конференция «Математические методы распознавания образов (ММРО-12)», Звенигород, 2005 г.

Система поддержки врачебных решений «Спутник Врача» внедрена в эксплуатацию в Московском Областном Научно-исследовательском Клиническом Институте (МОНИКИ) с весны 2007 года.

Результаты, полученные в диссертации, включались в научные отчеты по проектам РФФИ № 03−01−322, № 06−07−89 098, № 06−01−503.

Краткое описание следующих глав:

В первой главе дан обзор методов вывода по прецедентам и добычи данных, приведена мотивация для интеграции обоих методов в системах поддержки принятия решений и возможные подходы к ней. На примере различных систем показано, что интеграция является не только возможной, но и заслуживающей внимания.

Во второй главе описывается подход к классификации неполностью описанных объектов, на его основе определяются мера близости и метод отбора прецедентов. Описывается эвристический алгоритм обнаружения зависимостей.

Третья глава посвящена реализации системы поддержки принятия решений в интегрированной среде объектно-ориентированного программирования Borland С++ Builder. Перечислены основные технические требования, предъявляемые к системе. Описываются две инсталляции системы:

Универсальный Классификатор" - система, предназначенная для исследователя и реализующая набор возможностей для анализа данных.

Система поддержки врачебных решений «Спутник Врача» — система вывода по прецедентам. Приведены результаты, которые показали обе системы.

В заключении подведены итоги проделанной работы, сформулированы основные результаты и направления дальнейших исследований.

Основные результаты работы.

• разработан метод выбора наиболее подходящих прецедентов (аналогов) для неполностью описанпых объектов, базирующийся на предварительном разбиении базы прецедентов на классы эквивалентности,.

• разработан метод принятия решений по прецедентам с использованием методов добычи данных для отбора прецедентов,.

• разработан эвристический алгоритм обнаружения зависимостей,.

• реализована система поддержки принятия решений на основе прецедентов.

Все результаты являются новыми.

Направление дальнейших исследований — применение предложенного подхода для адаптивного управления плохо формализуемыми объектами, когда вместо точного вида математической модели объекта управления доступна только априорная информация о состояниях этого объекта, управляющих воздействиях на него и результатах воздействий. В терминах вывода по прецедентам, ииформация о состоянии объекта — это описание проблемы, а выдача управляющего воздействия есть решение проблемы, тогда результат управляющего воздействия необходимо рассматривать как результат применения решения. Предлагаемый подход — смоделировать управление такого рода объектами по прецедентам, основываясь на классах состояний. Это направление исследований поддержано грантом РФФИ № 06−07−89 098.

Большую помощь в понимании специфики работы врача при разработке системы «Спутник Врача» оказали сотрудники Московского областного научно-исследовательского клинического института им. М. Ф. Владимирского (МОНИКИ) и Научного Центра сердечно-сосудистой хирургии имени А. Н. Бакулева РАМН.

Часть системы, касающаяся диагностики, разрабатывалась при поддержке профессора А. В. Ватазина и доцента кафедры абдоминальной хирургии МОНИКИ В. И. Семиволкова. Его пример симптомов острого живота при пневмонии помог автору прийти к формализации понятия аналога.

Сотрудники Центра имени Бакулева Г. К. Айткожин В.К., Исраилова, А. Т. Беспаев оказывали поддержку при разработке той части системы, которая касается выбора лечения, в частности, при вводе прецедентов и тестовых примеров.

Прототипы систем «Универсальный Классификатор» и «Спутник Врача» демонстрировались на международной конференции РОАИ-6 (Великий Новгород, 2002).

Система «Спутник Врача» внедрена в эксплуатацию в Московском областном научно-исследовательском клиническом институте (МОНИКИ) с весны 2007 года.

ЗАКЛЮЧЕНИЕ

.

В работе рассмотрены теоретические и практические вопросы построения систем поддержки принятия решений на основе интеграции методов добычи данных и вывода по прецедентам.

Показать весь текст

Список литературы

  1. Г. К. Айткожин, В. К. Исраилова, В. Н. Юдин. Применение математического метода распознавания образов к задачам диагностики и прогнозирования в кардиохирургии. Аспирант и соискатель, 2001, № 3, стр. 279−281.
  2. Г. К. Айткожин, В. К. Исраилова, В. Н. Юдин. Применение математического метода распознавания образов при определении хирургической тактики и метода реваскуляризации миокарда у больных ИБС. Депонировано ВИНИТИ, № 97-В01, УК № 3. 2001.
  3. В.Н. Система информационной поддержки врачебных решений, основанная па модифицированном методе динамического кластерного анализа. Труды ИСП РАН, т. 3,2002, стр. 103−118.
  4. В.Н. Программная система «Спутник Врача» (описание разработки). Труды 6-й международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (РОАИ -6−2002), Великий Новгород, 2002, т. 2, стр. 635.
  5. V.N. Yudin, А.Т. Bespaev. Application of Cluster Analysis for Searching for Analogies in Diagnostics and Choice of Treatment in the «Doctor's Partner» System. Pattern Recognition and Image Anaysis, Vol 13, No 2, pp 387−390.
  6. V.N. Yudin, Applying Cluster Analysis for Searching for Analogs in Diagnostics and Choice of Treatment. Pattern Recognition and Image Anaysis/ Vol 13, No 4, pp 706−713.
  7. Yudin V.N., Knowledge Discovery through the Feature Research in the «Universal Classifier» System. In Proceedings of The 6th GERMAN
  8. RUSSIAN WORKSHOP «PATTERN RECOGNITION and IMAGE UNDERSTANDIG» (OGRW-6−2003) Novosibirsk, 2003 pp. 252−254.
  9. B.H. Юдин, Анализ данных и извлечение знаний с помощью Универсального Классификатора. Доклады 11-й Всероссийской конференции Математические Методы Распознавания Образов (ММРО-11), Москва, 2003, стр. 494−496,.
  10. В.Н. Быстрый метод обнаружения зависимостей в больших объемах данных, основанный на гипотезе компактности. Труды Международной научной конференции Интеллектуализация обработки информации ИОИ-2004. Симферополь 2004, стр. 177.
  11. В.Н. Быстрый метод обнаружения зависимостей в больших объемах данных, основанный на гипотезе компактности. Искусственный Интеллект, 2'2004. стр. 216−219.
  12. В.Н. Мера близости в системе вывода на основе прецедентов. Доклады 12-й Всероссийской конференции «Математические Методы Распознавания Образов (ММРО-12)», Москва, 2005, стр. 241−244.
  13. JI. Е. Карпов, В. Н. Юдин. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов. Труды ИСП РАН, 2007, стр. 135−155.
  14. Agnar Aamodt and Enric Plaza. «Case-based reasoning: Foundational issues, methodological variations, and system approaches». AI Communications, 7(l):39−59, 1994.
  15. Т., Walden S. (1992). «SMART: Support management cultivated reasoning technology for Compaq customer service». In Proceedings of AAAI92. Cambridge, MA: AAAI Press/MIT Press.
  16. Aha D. W. «An Implementation and Experiment with the Nested Generalized Exemplars Algorithm». Technical Report AIC-95−003. Washington, DC: Naval Research Laboratory, Navy Center for Applied Research in Artificial Intelligence, 1995
  17. David W. Aha and Li Wu Chang. «Cooperative bayesian and case-based reasoning for solving multiagent planning tasks». Technical report, Navy Center for Applied Research in AI, Naval Research Laboratory, Washington, DC, USA, 1996.
  18. Klaus-Dieter Althof, Eric Auriol, Ralph Barlette, and Michel Manago. A Review of Industrial Case-Based Reasoning Tools. AI Intelligence, 1995.
  19. Althoff, K.D., Auriol, E., Barletta, R., and Manago, M. «A Review of Industrial Case-based Reasoning Tools». An AI Perspectives Report. Series Editor: Alex Goodall. 1996.
  20. Sarabjot Anand, Bryan Scotney, Mee Tan, Sally McClean, David Bell, John Hughes, and Ian Magill. «Designing a kernel for data mining». IEEE Expert, 12(2):65−74, 1997.
  21. S. S., Patterson D. W., Hughes J. G., Bell D. A. «Discovering Case Knowledge Using Data Mining». 2nd Pacific-Asia Conference in Knowledge Discovery in Databases (PAKDD-98), Australia, pp25−35, 1998.
  22. Anand, S.S., Hughes, J.G., Bell, D.A. and Hamilton, P. «Utilising Censored Neighbours in Prognostication», Workshop on Prognostic Models in
  23. Medicine, Eds. Ameen Abu-Hanna and Peter Lucas, Aalborg, (AIMDM'99), Denmark, ppl 5−20,1999.
  24. Ashley, K.D. and Rissland, E.L. (1988). «Waiting on Weighting: A Symbolic Least Committment Approach». In Proceedings of the Seventh National Conference on Artificial Intelligence, pp. 239−244.
  25. Ashley, Kevin D. (1990). «Modelling Legal Arguments: Reasoning with Cases and Hypotheticals», Cambridge, MIT Press
  26. Bareiss, E., Porter, В., and Wier, C. (1988). PROTOS: An Exemplar-based Learning Apprentice. International Journal of Man-Machine Studies, 29: 549 561.
  27. E., Gerritsen R. «Decision Trees». DBMS. 1998. № 7.
  28. E., Gerritsen R. «Naive-Bayes and Nearest Neighbor». DBMS. 1998. № 7.
  29. John S. Breese and David Heckerman. «Decision-theoretic case-based reasoning». In Proceedings of the Fifth International Workshop on Artificial Intelligence and Statistics, pages 56−63, 1995.
  30. L., Friedman J. H., Olshen R. A., & Stone, C. J. (1984). «Classification and regression trees». Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software.
  31. Alan Bundy, editor. Artificial Intelligence Techniques. Springer Verlag, 1997.
  32. Torgeir Dingsoyr «Integration of Data Mining and Case-Based Reasoning» (http://www.idi.ntnu.no/-dingsovr/diploma/)
  33. U. Fayyad, G. Piatetsky-Shapiro, P. Smyth. «From Data Mining to Knowledge Discoveiy: An Overview». In Advances in Knowledge Discovery and Data Mining (Eds. U.M.Fayyad, G. Piatetsky-Shapiro, P. Smyth), Cambridge, Mass: MIT Press, 1996, pp. 1−34.
  34. J. «Separate-and-Conquer Rule Learning». Vienna: Austrian Research Institute for Artificial Intelligence, Technical Report OEFAI-TR-96−25,1996.
  35. , G., & Wainer, H. «Two additions to hierarchical cluster analysis». The British Journal of Mathematical and Statistical Psychology, 25,200−206, 1972.
  36. , K. «A model of case-based planning», in Proceedings of the Fifth National Conference on Artificial Intelligence, 65−95. Menlo Park, Calif.: American Associan for Artificial Intelligence. 1986.
  37. , J. A. «Clustering algorithms». New York: Wiley, 1975.
  38. , J. A. & Wong, M. A. «Algorithm 136. A k-means clustering algorithm». Applied Statistics, 28, 100, 1978.
  39. D., Geiger D., Chickering D. «Learning Bayesian networks: The combination of knowledge and statistical data». Machine Learning. 1995. -20. — P. 197−243.
  40. D. «Bayesian Networks for Data Mining». Data Mining and Knowledge Discoveiy. 1997. № 1. P. 79−119.
  41. Holland J. H. Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press. 1975.47. http://isl .cemi.rssi.ru/ruswin/index.htm
  42. Johnson, S. C. Hierarchical clustering schemes. Psychometrika, 32,241−254, 1967.
  43. Hiroaki Kitano, Hideo Shimazu, and Akihiro Shibata. «Case-method: A methodology for building large-scale case-based systems». In Proceedings of the AAAI, pages 303−308,1993.
  44. , J.L. «Maintaining Organization in a Dynamic Long-term memory». Cognitive Science, 7(4): 243−280, 1983.
  45. Kosko, В.: Neural Networks and Fuzzy Systems Prentice Hall, Englewood Cliffs, NJ, 1992.
  46. David B. Leake. «Case-Based Reasoning Experiences, Lessons and Future Directions». AAAI/MIT Press, 1996.
  47. S. Murthy. «Automatic construction of decision trees from data: A Multi-disciplinary survey», 1997.
  48. Nguyen, T, Czerwinski, M., and Lee, D. (1993). «Compaq QUICKSOURCE: Providing the Consumer with the power of AI». AI Magazine, Fall 1993, pp. 50−60.
  49. K. «Rules are Much More than Decision Trees». The Journal of Data Warehousing. 1997. — № 1.
  50. J. R. «Generating production rules from decision trees». In Proceedings of the 10th International Joint Conference on Artificial Intelligence (IJCAI-87). Morgan Kaufmann, 1987. — P. 304−307.
  51. J. R. «C4.5: Programs for Machine Learning». Morgan Kaufmann Publishers, San Mateo, CA, 1993.
  52. Andres F. Rodriguez, Sunil Vadera, and L. Enrique Sucar. «A probabilistic model for case-based reasoning». In I Smith and В Faltings, editors, Case-Based Reasoning Research and Development, ICCBR-97. Proceedings, pages 623−632, 1997.
  53. , R. (Ed.) (1982). «Dynamic Memory: A Theory of Learning in Computers and People». New York: Cambridge University Press.
  54. Schwefel H. P. Numerical optimization of computer models. Chichester: Wiley, 1981.
  55. , R.L. (1985). «A computer model of case-based reasoning in problem solving: An investigation in the domain of dispute mediation». Ph.D. thesis, School of Information and Computer Science, Georgia Institute of Technology.
  56. B. Smyth, M. T. Keane. «Remembering to Forget: A Competence-Preserving Case Deletion Policy for Case-Based Reasoning Systems», in Proc. of IJCAI-95, pp 337−382, 1995.
  57. Henry Tirri, Perti Kontkanen, and Petri Myllymaksi. «A bayesian framework for case-based reasoning». In I Smith and В Fallings, editors, Advances in Case-Based Reasoning, EWCBR-96, pages 413−427, 1996.
  58. Wang, H., Dubitzky, W., Dbntsch, I., Bell, D.A., «A Lattice Machine Approach to Automated Case Base Design: Marrying Lazy and Eager Learning». Proc. 17th Int. Joint Conference on Artificial Intelligence (IJCAI-99), Sweden, 1999.
  59. Wettschereck D., Aha D. W., Mohri T. «A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms». Artificial Intelligence Review. -11. pp. 273−314.
  60. Zadeh, Lotfi. Fuzzy Sets / Information and Control, 8(3), June 1965, pp.338 353.
  61. C.A., Бежаева З. И., Староверов O.B. «Классификация многомерных наблюдений». М.: Статистика, 1974.
  62. С. А., Бухштабер В. М., Енюков И. С., Мешалкин JI. Д. «Прикладная статистика: Классификация и снижение размерности». М.: Финансы и статистика, 1989.
  63. Н.Н. Новый подход к обнаружению кластеров. М.: ВЦ РАН, 1993.
  64. А.Г., Браверман Э. М. Обучение машины распознаванию образов. М: Наука, 1964
  65. С. Арсеньев ИЗВЛЕЧЕНИЕ ЗНАНИЙ ИЗ МЕДИЦИНСКИХ БАЗ ДАННЫХ //wmv.megaputer.ru/download/book.zip
  66. П.А., Липчинский Е. А. Практика построения хранилищ данных: SAS System. Корпоративные системы, № 3, 1999
  67. К. Обнаружение знаний в хранилищах данных. Открытые системы, № 05−06, 1999
  68. А. М., Пономарев А. А., Цветков А. М. «Об одном методе индуктивного вывода с подрезанием деревьев решений». Кибернетика и системный анализ. 1993. — № 5. — С. 174−178.
  69. Норман Дрейпер, Г. Смит. «Прикладной регрессионный анализ. Множественная регрессия». 3-е изд. М. Диалектика, 2007.
  70. Дюк В. А. Обработка данных на ПК в примерах. СПб: «Питер», 1997.
  71. Дюк В. А., Самойленко А. П. «Data Mining: учебный курс» СПб: «Питер», 2001.-368 с.
  72. ., Оделл П. Кластерный анализ. М.: Статистика, 1975.
  73. Н.Г. Методы распознавание и их применение. М., Сов. Радио, 1972.
  74. Н.Г., Ёлкина В. Н., Лбов Г. С. Методы обнаружения эмпирических закономерностей. Новосибирск: Наука, СО, 1985.
  75. Н.Г., Елкипа В. Н., Лбов Г. С., Емельянов С. В. Пакет прикладных программ ОТЭКС. Изд. «Финансы и статистика». М., 1986.
  76. Н.Г. Гипотезы компактности и 1-компактности в методах анализа данных. Сибирский журнал индустриальной математики. Изд. ИМ СО РАН. Том 1, N1, 1998, С.114−126.
  77. М.С. Камеииова. «Корпоративные информационные системы: технологии и решения». Системы Управления Базами Данных № 3/1995 стр. 88−99.
  78. М. Киселев, Е. Соломатин. «Средства добычи знаний в бизнесе и финансах». Открытые системы, № 4,1997, с.41−44.
  79. .Г. Анализ качественных признаков и структур.- М.: Статистика, 1980.
  80. Г. С. Процессы принятия решений при распознавании образов. Киев: Техника, 1965.
  81. . Ф. «Нейрокомпыотерная техника: Теория и практика». М.: Мир, 1992.-240 с.
  82. А. М. «Разработка алгоритмов индуктивного вывода с использованием деревьев решений». Кибернетика и системный анализ. -1993.-№ 1. с. 174−178.л (н И л<» Л-' .>•",<•.-."!"5t
  83. ИССЛЕДОВАНИЕ И РАЗРАБОТКА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ПРЕЦЕДЕНТОВ» (специальность 05.13.11 Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей)
  84. Ведущий научный сотрудник отделения планирования и координации НИРк.м.н. О.В.Борисенко
Заполнить форму текущей работой

Пора сдавать?