Идентификации зависимостей в пространственно-распределенных данных с использованием нейросетевых технологий

Страницы работы

8 страниц (Word-файл)

Фрагмент текста работы

5.  Bischof Ж., Tessmer R., Кип R Newe Antrieb- und Au*omatisienmgslosungen fur Maschinen der kabel und Drahtimdustrie. Elektrie, 1987. Jg.41. №-4. Р. 121-134.

6.  Laurich К. Muller G., ТисМег В.. Wallau Н. Untersuchung 'iner ZweigroPenrgelstrecke ап einer  - -Regeln, 1979, 22.№1. Р. 28-31.

7.  Laurich К, Muller а, Wallau Н. Au:ornatisienmgssystem fur kabelummantelungsantagen. Мев. *еџет — RegeIn, _1979„22. М.

Р. 370-374.

8.  Chan д, Дее L.J. Dynunic rnodeling Qfa singie screw plasticating extruder. ANTEC'84. 1984. ф. Т7-80)

9.  Митрошин В.Н. Структурное моделирование  поля расплава полимера в зоне 'дбзиров:ения одночерыячного экструдера Н Вестн. Самар. тс. техн. ун-та. Сер. Технические науки. 2006. Выи. 41. С. l91-194.

10.  Рапопорт Э.Я. Структурное моделирование объектов и систем управления с распределенными параметрами. М.: Высш. шк„ 2003. 299 с.

11.  Иакоаский В.А. Динамика металлургических объектов с распределенными парамарами. М.: Металлургия, 1971. 384 с,

         Статья поступила в реЬахчию 4 февралА 2007 2.

УМ 681.3

Т.И. Михеева, О.Н. Сапрыкин

ИДЕНТИФИКАЦИИ ЗАВИСИМОСТЕЙ В ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕШЉЖ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГ№Т

Описан подход к использованию нейросетевых технологий для решения аналитических заДач в геоинформацаонни системах. Дано изложение некоторых из них и рассмотрены области применения. ПреДстаиен жакет ав•  томаппвированной системы иДентификауии зазисимоста--й геоДанньи.

Введение

Нарастающие информационные потоки в современном обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивают нагрузку на пользоватрля и ставят задачу переноса проблемы выбора и принятия решений с человека на компьютерную систему обработки и анализа данных. Глубокий анализ данных позволит понять природу происходящик процессов, найти и изучить неочевидные зависимости между явлениями. Решение данных задач можно найти с Номощью современной технологии Data Mining — интеллектуального анализа данных, исследования данных или, дословно, - «добычи данных».

Методы интеллектуального анализа данных существуют уже в течение продолжительного времени и лишь недавно были объединены в единое направление. В последние годы наблюдается тенденция применения средств искусственного интеллекта в методах Daza Mining Методы искусственного интеллекта, основанные на нейронных сетях, обладают рядом качеств, выгодно отличающих их от других методов. Среди достоинств можно выделить низкую требовательность к входному набору данных и независимость времени работы от объема данных.

Большую практическую пользу приносит исследование данных в географических информационных системах (ГИС) [2]. ГИС объединяют в себе возможность работы с базами данных и удобную визуализашпо данных в виде географической карты. Интеграция систем поддержки принятия решений, базирующихся на ГИС, с методами исследования данных повышает ценность географической информации [З]. С помощью средств Data Mining можно значительно расширить круг решаемых задач, включив в них следующие:

 обработка видеоизображений;  преобразование растровых изображений в векторные графические модели; обработка картографической информаши•, обработка разнородной информации;  построение моделей объектов или местности;  анализ моделей ГИС;  получение новых знаний;  принятие решений на основе геоинформщии.

Решение этих задач принесет значительный экономический эффект.


ГИС ЯЕПЯЮ№я хорошей средой для внедрения методов искусственного интеллекта и экспертных систем. Это вызвано, с одной стороны, разнообразием и сложностью данных в ГИС, с другой — наличием большого числа аналитических задач при использовании ГИС.

Интеллектуальный анализ данных

По стег*ни «Йнтеллектуальности» обработки данных в аниитичееких системах выделяют сле№ощие наборы функций:

 информачионно-поисковые — осуществлят поиск необходимых данных, характерной чертрй такого анализа является выполнение заранее определенных запросов;  оперттвно•иналипшческие — производят группировку и обобщение данных в любом необходимом аналити“ виде, в отличие от информационно-поискового анализа в данном случае невозможно заранее предсказать необходимые запросы;  ижтеллектутьные — осуществлят поиск функциональных и логических захономериостей в накоп-леыњпк данных, построение моделей и правил, которые объясняют найденные закономерности  (с определимой вероятностью) прогнозируют развитие некмюрых процессов.


 В зависимости поставленной перед системой задачей она мож€г включать только один класс функций или все классы в той или иной мере.

Информационно-поисковая функциональность строится на основе реляционных систем управления базами данных. Основным каструментом здесь является е»уктурированный язык запросов SQL (Smctw•ed 2uery Lmguage), Набор запросов является постоянным, а сами запросы - статическими, При использоваюш в системах функций только данного класса не приобретается новых знаний об объекте, мо имеется возможность рассматривать ет по частям, с разных точек зрения.

Функциональи_осљ оператиано-аналитического анализа, кли OLAP (0n-Line  Pmcessing), использует методы и средства для сбора, хранения и анализа многомерных данных в целях поддержки процессов принятия решений. В ОИР данные агрегирую№я, предоставляя аналитику любую степень

Похожие материалы

Информация о работе