Введение
Глава 1. Модели и методы обработки и анализа данных в интеллектуальных системах 11
1.1 Методы представления знаний в интеллектуальных системах 13
1.2 Проблема обобщения понятий 19
1.3 Задача обобщения понятий по признакам 20
1.4 Динамический объект обобщения 24
1.5 Выводы к первой главе 26
Глава 2. Задача обобщения для динамических объектов. Частный случай . 28
2.1 Временные ряды 28
2.1.1 Способы представления временных рядов 30
2.1.2 Ограничения задачи
2.2 Описание ситуаций с помощью временных рядов 36
2.3 Задача обнаружения аномалий
2.3.1 Природа исходных данных 40
2.3.2 Обучающие выборки для задачи обнаружения аномалий 41
2.3.3 Представление результатов для методов обнаружения аномалий 42
2.3.4 Области применения методов обнаружения аномалий 43
2.3.5 Обзор и классификация методов обнаружения аномалий 45
2.4 Использованные в работе наборы данных 48
2.4.1 Наборы данных из UCR Time Series Data Mining Archive 49
2.4.2 Наборы данных из UC Irvine Repository 54
2.5 Модель шума в данных 57
2.5.1 Набор данных «цилиндр-колокол-воронка» 58
2.5.2 Набор данных «контрольные карты»
2.6 Методы работы с зашумлёнными данными 62
2.7 Постановка задачи обнаружения аномалий 63
2.8 Задача обнаружения аномалий в наборах временных рядов с одним классом 67
2.8.1 Разработка метода обнаружения аномалий 67
2.8.2 Алгоритм «TS-ADEEP» 69
2.8.2.1 Вычислительная сложность алгоритма «TS-ADEEP» 71
2.9 Задача обнаружения аномалий в наборах временных рядов с несколькими классами 71
2.9.1 Разработка метода обнаружения аномалий 71
2.9.2 Алгоритм «TS-ADEEP-Multi» 72
2.9.2.1 Вычислительная сложность алгоритма «TS-ADEEP-Multi» 73
2.9.3 Использование деревьев решений для обнаружения аномалий в наборах временных рядов с несколькими классами 74
2.10 Выводы ко второй главе 77
Глава 3. Задача обобщения для динамических объектов. Общий случай . 78
3.1 О технической диагностике 80
3.1.1 Диагностика на основе использования модели объекта 81
3.1.2 Исходные данные для задачи диагностики
3.2 Темпоральные деревья решений 89
3.3 Алгоритмы построения темпоральных деревьев решений
3.3.1 Алгоритм «CPD» 92
3.3.2 Пример работы алгоритма «CPD» 94
3.3.3 Алгоритм «Темпоральный ID3» 96
3.3.4 Вычислительная сложность алгоритма «Темпоральный ID3» 98
3.3.5 Пример работы алгоритма «Темпоральный ID3» 98
3.4 Моделирование процесса диагностики 99
3.4.1 Апостериорная диагностика 101
3.4.2 Диагностика в псевдореальном времени 101
3.5 Выводы к третьей главе 102
Глава 4. Программная реализация и результаты моделирования 103
4.1 Описание реализованного программного комплекса 103
4.2 Результаты обнаружения аномалий для обучающего множества с одним классом 105
4.2.1 Алгоритм «TS-ADEEP» 105
4.3 Результаты обнаружения аномалий для обучающего множества с несколькими классами 109
4.3.1 Алгоритм «TS-ADEEP-Multi» 109
4.4 Результаты моделирования процесса диагностики с использованием темпоральных деревьев решений 114
4.4.1 Частный случай 114
4.4.2 Общий случай 116
4.5 Выводы к четвёртой главе 121
Заключение 123
Список литературы
