Введение
Глава 1. Обзор работ и практических реализаций, посвященных интеллектуальному анализу данных и представлению нечетких данных в системах управления базами данных 13
1.1 .Задача анализа данных 13
1.2.Обзор моделей и реализаций нечетких БД 15
1.3. Обзор методов интеллектуального анализа данных для решения задачи кластеризации и классификации 29
1.3.1. Гипотеза компактности 29
1.3.2. Гипотеза А-компактности 29
1.4.ДСМ-метод и его модификации 32
1.4.1.ДСМ-МЄТ0Д 32
1.4.2.ДСМ-метод автоматического порождения гипотез (ДСМ-АПГ)...35
1.5. Примеры систем извлечения знаний из данных 42
1.5.1. Предметно-ориентированные аналитические системы 42
1.5.2. Статистические пакеты 44
1.5.3. Системы на основе моделей нейронных сетей 44
1.5.4. Системы, использующие рассуждения на основе прецедентов 46
1.5.5. Системы, использующие деревья решений 46
1.5.6. Системы, использующие эволюционное программирование 48
1.5.7. Системы на основе генетических алгоритмов 48
1.5.8. Системы, использующие алгоритмы ограниченного перебора 50
1.6 Обзор программных реализаций Data Miner 51
1.6.1. Data Mining Suite 51
1.6.2. IBM Intelligent Miner 54
1.6.3. Oracle Dataminer 56
1.6.4. Microsoft OLE DB for Data Mining Specification in SQL Server 2000 57
1.6.5. Statistica 58
1.6.6. 1С Предприятие 62
1.6.7. Рог/analyst 63
1.6.8.Краткий обзор свободно распространяемых продуктов 67
1.7. Стандарты и спецификации, используемые при определении архитектур систем извлечения знаний из данных 69
1.7.1. Стандарты 69
1.7.2. Языки спецификации задач извлечения знаний 72
1.8.Выводы 74
Глава 2. Математические методы анализа нечетких данных 75
2.1. Нечеткая кластеризация 75
2.1.1. Задача нечеткой кластеризации 75
2.1.2. Общая формальная постановка задачи нечеткого кластерного анализа 77
2.1.3. Уточненная постановка задачи нечеткой кластеризации 78
2.1.4. Алгоритм решения задачи нечеткой кластеризации методом нечетких с-средних (FCM) 80
2.1.5. Гибридный алгоритм нечеткой кластеризации 82
2.2. Нечеткая реляционная модель данных 90
2.3. Нечеткая кластеризация с помощью нейронных сетей 91
2.3.1. Алгоритм решения задачи нечеткой кластеризации методом сети Кохонена 91
2.4. Поиск зависимостей на нечетких данных с помощью нечетких нейронных сетей разных архитектур 102
2.4.1. Нечеткие нейронные сети 102
2.4.2. Структура нечеткой сети ANFIS 103
2.4.3. Гибридный алгоритм обучения адаптивных сетей 107
2.4.4. Гибридный алгоритм обучения ANFIS 109
2.4.5. Генерация нечетких правил 112
2.4.6. Гибридная нечеткая нейронная сеть 113
2.4.7. Обучение гибридной сети 115
2.5.Выводы 116
Глава 3. Структурно-функциональное решение Fuzzy Data Miner 117
3.1 Описание нечеткого реляционного сервера данных 117
3.1.1. Выбор инструментальных средств и технологий 117
3.1.2. Информационная структура служебных таблиц представления нечетких данных 119
3.1.3 Функциональное решение 123
3.1.4. Требования к установке системы 136
3.2. Реализация модуля кластеризации 137
3.2.1 Реализация алгоритма гибридной кластеризации 138
3.2.2. Реализация алгоритма Кохонена 139
3.2.3. Выходные формы 140
3.3 Реализация гибридной нечеткой нейронной сети 141
3.3.1. Оперативная структура хранения 141
3.3.2. Внешняя структура хранения 142
3.3.3. Описание структур хранения 142
3.3.4 Модуль реализации гибридной нечеткой нейронной сети 144
3.3.5. Выходные формы 147
ЗАОбщая структура программного комплекса Fuzzy Data Miner 148
3.5.Выводы 148
Глава 4. Название 150
4.1 Задача анализа социологической базы данных 150
4.1.1 Постановка задачи 150
4.1.2 Результаты анализа 153
4.2 Задача структуризации информационных ресурсов 155
4.2.1.Постановка задачи 155
4.2.2. Интеллектуальная система поддержки принятия решений: структура и функции 156
4.2.3. Проведение эксперимента 156
4.2.4. Структурирование информационных ресурсов ФНПЦ «ОАО
МАРС» 158
4.3. Анализ эффективности ИСШТР 159
4.4 Выводы 161
Заключение 162
Библиографический список
