Методы и алгоритмы редукции нечетких правил в базах знаний интеллектуальных систем тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Абдулхаков, Айдар Рашитович

• Абдулхаков, Айдар Рашитович
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Абдулхаков, Айдар Рашитович

ОГЛАВЛЕНИЕ

Введение

1. Анализ предметной области и постановка задачи редукции баз знаний интеллектуальных систем

1.1. Базы знаний интеллектуальных систем

1.1.1. Понятие, назначение и структура интеллектуальных систем

1.1.2. Формализация знаний в интеллектуальных системах

1.1.3. Формальные модели представления знаний

1.1.4. Обнаружение знаний в базах данных

1.2. Анализ методов автоматической генерации нечетких правил в интеллектуальных системах

1.2.1. Генерация нечетких правил на основе метода корреляционного анализа

1.2.2. Использование метода «Правило для каждой точки» и интерполяции по точкам

1.2.3. Метод кусочной интерполяции для генерации нечетких правил

1.2.4. Формирование базы знаний с использованием генетических алгоритмов

1.2.5. Формирование базы знаний с использованием нечеткой нейронной сети

1.2.6. Метод обучения нечетких систем на основе алгоритма муравьиных колоний

1.2.7. Метод обучения нечетких систем на основе алгоритма пчелиных колоний

1.2.8. Сравнительная характеристика методов автоматической генерации нечетких правил

1.3. Анализ подходов к оптимизации баз знаний интеллектуальных систем

1.3.1. Таксономия знаний в экспертных системах

1.3.2. Оптимизация баз знаний на основе генетического алгоритма

1.3.3. Редукция баз знаний на основе мультиагентного подхода

1.3.4. Редукция вырожденных и незначимых правил в базах знаний интеллектуальных систем

1.3.5. Структуризация правил базы знаний

1.3.6. Сравнительная характеристика подходов к редукции баз знаний

1.4. Постановка задачи редукции автоматически сформированных нечетких правил

1.5. Выводы

2. Разработка математического обеспечения для редукции нечетких правил

2.1. Разработка кластерно-генетического метода редукции баз знаний

2.1.1. Описание разработанного кластерно-генетического метода редукции нечетких правил в базах знаний

2.1.2. Методика оценки классифицирующей способности редуцированных баз знаний

2.2. Разработка алгоритма кластеризации нечетких правил

2.2.1. Анализ существующих подходов к кластеризации данных

2.2.2. Описание разработанного алгоритма кластеризации нечетких правил в базах знаний

2.3. Разработка метода идентификации значений параметров функций принадлежности в логическом центре кластера

2.3.1. Постановка задачи идентификации значений параметров функций принадлежности

2.3.2. Численный метод идентификации параметров функций принадлежности

2.3.3. Соответствие координат логического центра кластера дефаззифицированным значениям получаемых функций принадлежности

2.4. Разработка генетического алгоритма редукции нечетких правил в базах знаний интеллектуальных систем

2.4.1. Описание разработанного генетического алгоритма

2.4.2. Сходимость генетического алгоритма

2.5. Особенности разработанных алгоритмов редукции

2.6. Выводы

3. Программный комплекс редукции нечетких правил

3.1. Разработка программного комплекса

3.1.1. Назначение программного комплекса

3.1.2. Средства разработки программного комплекса

3.1.3. Структура и состав программного комплекса

3.1.4. Пример функционирования программного комплекса

3.2. Численно-параметрические исследования и оценка эффективности разработанного математического обеспечения

3.2.1. Формирование базы знаний для исследований

3.2.2. Исследования и оценка эффективности алгоритма кластеризации нечетких правил

3.2.3. Исследования и оценка эффективности генетического алгоритма минимизации числа правил

3.2.4. Оценка классифицирующей способности и скорости логического вывода редуцированных баз знаний

3.3. Выводы

4. Решение практических задач редукции баз знаний интеллектуальных

систем

4.1. Редукция базы знаний системы оценки кредитоспособности физических лиц

4.1.1. Задача определения кредитоспособности физических лиц

4.1.2. Описание исследуемой базы знаний

4.1.3. Процесс редукции базы знаний

4.1.4. Оценка классифицирующей способности редуцированной базы знаний

4.1.5. Сравнение полученных результатов с результатами других авторов

4.2. Редукция базы знаний системы фильтрации нежелательных почтовых сообщений

4.2.1. Задача фильтрации нежелательных почтовых сообщений

4.2.2. Описание исследуемой базы знаний

4.2.3. Процесс редукции базы знаний

4.2.4. Оценка классифицирующей способности редуцированной базы знаний

4.2.5. Сравнение полученных результатов с результатами других авторов

4.3. Выводы

Заключение

Список литературы

Приложение 1. Экономический эффект от редукции базы знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц

Приложение 2. Акты о внедрении и использовании результатов диссертационного исследования

Приложение 3. Свидетельство о регистрации программы для ЭВМ

СПИСОК СОКРАЩЕНИЙ

БЗ - база знаний

ГА - генетический алгоритм

ФП - функция принадлежности

ANFIS - adaptive network based fuzzy inference system

KDD - - knowledge discovery in databases

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы редукции нечетких правил в базах знаний интеллектуальных систем»

ВВЕДЕНИЕ

В настоящее время интеллектуальные системы, основанные на знаниях, получили широкое распространение в различных прикладных областях [9, 10, 20, 21, 46, 152] для решения таких задач, как прогнозирование, распознавание образов, диагностика, управление, автоматизированное проектирование и другие. Основным компонентом интеллектуальных систем является база знаний (БЗ), включающая набор правил принятия решений, выраженных в форме четких или нечетких продукций. Использование нечетко-продукционных правил позволяет решать практические задачи в условиях нечеткости, неопределенности и неполноты исходных данных.

Для формирования правил базы знаний до недавнего времени использовались преимущественно методы инженерии знаний, основанные на извлечении знаний у эксперта. Данный подход требует большой аналитической работы эксперта, что затрудняет разработку интеллектуальной (особенно нечеткой) системы.

В последнее время актуальность приобретают методы автоматического формирования нечетких правил, основанные на применении методов и алгоритмов интеллектуального анализа данных [22, 40, 41, 64, 69, 90, 98, 102, 106]. Использование такого подхода значительно упрощает и ускоряет процесс разработки интеллектуальной системы, база знаний которой адаптируется к анализируемым данным. Исследованиям в этой области посвящены работы известных российских и зарубежных ученых: Херреры Ф., Фукуды T., Kappa Ч., Лозано М., Сакава М., Кордона О., Касиласа Ж., Хоффмана Ф., Янга Р., Круг-лова В.В., Ротштейна А.П., Штовбы С.Д., Финна В.К., Вагина В.Н., Кобрин-ского Б.А., Загоруйко Н.Г., Ярушкиной Н.Г., Сидоркиной И.Г., Симоновой

J1.A., Наместникова A.M., Ходашинского И.А., Емалетдиновой Л.Ю., Паклина Н.Б. и др.

Однако, несмотря на достоинства данного подхода, автоматически сформированные базы знаний, как правило, обладают избыточностью, что не позволяет использовать их с максимальной эффективностью при решении практических задач [125, 138, 142]. Для повышения эффективности использования адаптивных интеллектуальных систем требуется оценка избыточности и редукция их баз знаний. Исследованиям в данной области посвящены работы ученых: Загоруйко Н.Г., Комарцовой Л.Г., Катасёва A.C., Сергиенко М.А., Олейника A.A., Щуревич Е.В. и др. Однако, описываемые ими подходы к редукции нечетких правил не лишены недостатков, в частности возможности снижения точности принимаемых решений на основе редуцированных баз знаний. Это актуализирует необходимость разработки и апробации новых эффективных методов и алгоритмов редукции нечетких правил в базах знаний интеллектуальных систем.

Таким образом, актуальной задачей, решаемой в диссертации, является разработка математического и программного обеспечения редукции нечетких правил для повышения эффективности использования интеллектуальных систем.

Объект исследования: нечеткие базы знаний интеллектуальных систем.

Предмет исследования: методы и алгоритмы редукции нечетких правил в базах знаний интеллектуальных систем.

Цель работы: повышение эффективности использования интеллектуальных систем путем разработки математического и программного обеспечения редукции их баз знаний. Эффективность определяется точностью и скоростью решения практических задач на основе редуцированных баз знаний, их адекватностью и интерпретируемостью.

Достижение поставленной цели потребовало решения следующих задач:

1) разработка кластерно-генетического метода редукции базы знаний интеллектуальной системы;

2) разработка алгоритма редукции исходной базы знаний на основе кластеризации входящих в нее нечетких правил с получением промежуточной базы знаний;

3) разработка метода идентификации значений параметров функций при-надлежности в логическом центре кластера;

4) разработка генетического алгоритма (ГА) редукции промежуточной базы знаний с получением искомой базы знаний;

5) разработка программного комплекса редукции нечетких правил в базах знаний на основе предложенных методов и алгоритмов;

6) проведение исследований на базе программного комплекса для оценки эффективности разработанного математического обеспечения;

7) решение задач редукции баз знаний в различных предметных областях.

Методы исследования. Для решения обозначенных задач использованы методы математического моделирования, нечеткой логики и нечетких нейронных сетей, кластерного анализа, объектно-ориентированного программирования.

Достоверность полученных результатов. Предложенные в диссертационной работе оригинальные методы и алгоритмы теоретически обоснованы и не противоречат известным положениям других авторов. Достоверность полученных результатов обеспечена математически строгим выполнением расчетов, подтверждена исследованиями и результатами практического использования.

Научная новизна работы заключается в разработке:

1) эффективного численного метода редукции базы знаний интеллектуальной системы, основанного на алгоритме кластеризации нечетких правил и генетическом алгоритме минимизации числа кластеров, и позволяющего получать редуцированную модель системы нечеткого логического вывода;

2) алгоритма кластеризации нечетких правил, основанного на принципах таксономии знаний и представляющего правила исходной базы знаний в виде точек в п-мерном пространстве, объединяющихся в кластеры;

3) эффективного численного метода идентификации значений параметров функций принадлежности (ФП), позволяющего строить новые правила в логических центрах кластеров;

4) генетического алгоритма редукции нечетких правил, обеспечивающего минимизацию числа правил промежуточной базы знаний без потери точности классификации на основе редуцированной базы знаний.

Теоретическая значимость диссертационной работы заключается в разработке математического обеспечения в виде эффективных методов и алгоритмов редукции нечетких правил в базах знаний интеллектуальных систем.

Практическая ценность работы заключается в разработке программного комплекса редукции нечетких правил в базах знаний интеллектуальных систем.

По проблеме диссертационного исследования опубликованы 16 работ, в том числе 1 монография, 3 статьи в российских рецензируемых научных журналах, 12 публикаций в материалах научных семинаров и конференций. Получено 1 свидетельство о регистрации программы для ЭВМ.

С целью апробации основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

• седьмой международной научно-практической конференции «Инфо-коммуникационные технологии глобального информационного общества» (Казань, 2009);

• международной молодежной научной конференции «XVII Туполевские чтения» (Казань, 2009);

• международной молодежной научной конференции «XVIII Туполевские чтения» (Казань, 2010);

• всероссийской научно-технической конференции «Проблемы и перспективы развития информационных технологий» (Казань, 2012);

• четвертой международной научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2013);

• четырнадцатой международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (Воронеж, 2013);

• международной научно-практической конференции «Закономерности и тенденции развития науки в современном обществе» (Уфа, 2013);

• восьмой международной научно-практической конференции «Логистика и экономика ресурсосбережения в промышленности» (Москва, 2014);

• седьмой межрегиональной научно-практической конференции «Информационная безопасность и защита персональных данных. Проблемы и пути их решения» (Брянск, 2015);

• восемнадцатой международной конференции по мягким вычислениям и измерениям (8СМ'2015) (Санкт-Петербург, 2015).

Реализация результатов работы. Результаты исследования:

• внедрены в промышленную эксплуатацию в виде модуля редукции нечетких правил интеллектуальной скоринговой системы оценки кредитоспособности физических лиц;

• использованы при редукции нечетких правил базы знаний экспертной системы предварительного выявления писем несанкционированной массовой рассылки;

• внедрены в учебный процесс ФГБОУ ВПО «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» и используются при изучении дисциплин «Системы искусственного интеллекта» и «Базы знаний интеллектуальных систем».

Пути дальнейшей реализации. С целью развития научного направления, связанного с редукцией нечетких правил в базах знаний интеллектуальных систем, целесообразно совершенствование разработанного математического и программного обеспечения, расширение классов решаемых задач, а также раз-

работка, внедрение и практическое использование методов и алгоритмов редукции баз знаний интеллектуальных систем в других предметных областях.

На защиту выносятся следующие результаты:

1) кластерно-генетический метод редукции базы знаний интеллектуальной системы;

2) алгоритм редукции исходной базы знаний на основе кластеризации входящих в нее нечетких правил;

3) метод идентификации значений параметров функций принадлежности в логическом центре кластера;

4) генетический алгоритм редукции промежуточной базы знаний;

5) программный комплекс редукции нечетких правил в базах знаний интеллектуальных систем.

Структура и объем диссертации. Диссертация изложена на 140 страницах машинописного текста, содержит 37 рисунков, 16 таблиц, состоит из введения, четырех глав, заключения, списка использованной литературы из 163 наименований на 18 страницах и 3 приложений на 7 страницах.

Сведения о личном вкладе автора. Личный вклад автора состоит в разработке методов и алгоритмов редукции нечетких правил в базах знаний интеллектуальных систем. Автором лично предложен численный метод идентификации параметров функций принадлежности для логического центра кластера, лично разработан программный комплекс для оптимизации баз знаний систем нечеткого логического вывода. Кроме того, содержание диссертации и все представленные в ней результаты получены лично автором. Подготовка к публикации некоторых результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим.

Во введении анализируются особенности разработки интеллектуальных систем. Указывается, что для формирования баз знаний интеллектуальных систем актуально применение методов и алгоритмов интеллектуального анализа данных. Анализируются проблемы разработки нечетких интеллектуальных систем и формирования нечетких баз знаний. Указывается, что базы знаний

интеллектуальных систем, сформированные автоматически, обладают свойством избыточности. Для повышения эффективности использования интеллектуальных систем необходима оценка их избыточности и редукция базы

знаний.

В первой главе рассматриваются общие вопросы и задачи формирования и редукции баз знаний интеллектуальных систем. Описываются способы получения знаний, а также технология их автоматического извлечения из баз данных. Проводится анализ существующих методов автоматической генерации нечетких правил и делается вывод об избыточности формируемых баз знаний. Анализируются существующие подходы к оптимизации баз знаний интеллектуальных систем. С целью повышения эффективности практического использования интеллектуальных систем ставится задача разработки кластер-но-генетического метода редукции нечетких правил.

Во второй главе разрабатывается математическое обеспечение для редукции нечетких правил в базах знаний интеллектуальных систем. Для решения данной задачи предлагается кластерно-генетический метод, основанный на алгоритме кластеризации нечетких правил и генетическом алгоритме минимизации числа кластеров. Описывается разработанный метод идентификации значений параметров функций принадлежности в логическом центре кластера, а также условия и ограничения его применимости.

В третьей главе разрабатывается программный комплекс, основанный на предложенных методах и алгоритмах редукции нечетких правил в базах знаний интеллектуальных систем. Описываются его структура, состав и алгоритм функционирования. На базе программного комплекса проводятся численно-параметрические исследования оценки эффективности разработанного математического обеспечения для решения практических задач.

В четвертой главе решаются практические задачи редукции нечетких правил на базе разработанного программного комплекса. Описываются исходные базы знаний и их характеристики. Производится редукция баз знаний и оценка классифицирующей способности исходных и редуцированных баз

знаний. Полученные результаты классификации сравниваются с результатами других авторов.

В заключении сформулированы основные научные и практические результаты работы, намечены направления перспективных исследований.

В приложении 1 приведено обоснование экономической эффективности редукции нечетких правил в базе знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц.

В приложении 2 представлены акты о внедрении и использовании результатов диссертационного исследования.

В приложении 3 представлено свидетельство о государственной регистрации программы оптимизации баз знаний систем нечеткого логического вывода.

Диссертация выполнена на кафедре систем информационной безопасности федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИГУ -КАИ).

Диссертационная работа выполнялась в рамках государственного задания Министерства образования и науки Российской Федерации для выполнения научно-исследовательских работ по теме «Математическое и программное обеспечение автоматизированного формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов» (2013 г., per. №01201354277).

Автор выражает искреннюю благодарность кандидату технических наук, доценту кафедры систем информационной безопасности Казанского национального исследовательского технического университета им. А.Н. Туполева-КАИ Катасёву Алексею Сергеевичу за оказанную поддержку и консультации при проведении исследований.

1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ РЕДУКЦИИ БАЗ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

В данной главе рассматриваются общие вопросы и задачи формирования и редукции баз знаний интеллектуальных систем. Описываются способы получения знаний, а также технология их автоматического извлечения из баз данных. Проводится анализ существующих методов автоматической генерации нечетких правил и делается вывод об избыточности формируемых баз знаний. Анализируются существующие подходы к оптимизации баз знаний интеллектуальных систем. С целью повышения эффективности практического использования интеллектуальных систем ставится задача разработки кластерно-генетического метода редукции нечетких правил.

1.1. Базы знаний интеллектуальных систем

1.1.1. Понятие, назначение и структура интеллектуальных систем

Эволюция информационных систем связана с ее интеллектуализацией. Интеллектуальные системы, как одна из разновидностей информационных систем, являются наиболее перспективным направлением для решения научных и прикладных задач. Под данными системами понимаются любые формальные и искусственные системы, которые проявляют способность к целенаправленному поведению [18]. Следовательно, информационную систему можно считать интеллектуальной, если в ней реализованы следующие перечисленные функции [18]:

1) функция представления и обработки знаний (интеллектуальная система должна приобретать знания, проверять их на непротиворечивость, соотносить приобретенные знания с имеющимися знаниями в базе знаний);

2) функция рассуждения (интеллектуальная система должна на основе частных знаний и моделях логического вывода получать обобщенные знания);

3) функция общения (интеллектуальная система должна общаться с человеком на языке максимально близком к естественному языку).

В настоящее время в различных сферах человеческой деятельности широкое распространение получили интеллектуальные системы, основанные на знаниях (экспертные системы), используемые, как правило, для поддержки принятия решений в слабоструктурированных предметных областях. Экспертные системы являются инструментом, усиливающим интеллектуальные способности человека-эксперта, и могут выполнять следующие функции [29]:

• консультанта для неопытных или непрофессиональных пользователей;

• ассистента поддержки принятия решений в связи с необходимостью анализа различных вариантов решений;

• партнера эксперта по вопросам из смежных областей деятельности. Любая интеллектуальная система состоит из взаимосвязанных компонентов, каждый из которых имеет свое функциональное назначение. Базовыми компонентами интеллектуальной системы являются [29]:

• база знаний - представление знаний в заданной структуре в виде модели представления знаний;

• модуль логического вывода - механизм, который при получении данных на входе с применением заданного алгоритма логического вывода на основе имеющихся правил принятия решений выдает пользователю результат;

• модуль извлечения знаний - механизм создания базы знаний, в которой знания эксперта предметной области ложатся в формализованном виде;

• модуль формирования знаний - механизм создания базы знаний, в которой с помощью методов и алгоритмов интеллектуального анализа данных автоматически формируется база знаний.

На рисунке 1.1 представлена структура интеллектуальной системы.

Как видно из рисунка, основным компонентом интеллектуальной системы является база знаний, которая может быть построена как экспертом в предметной области с помощью инженера по знаниям, так и с применением методов и алгоритмов интеллектуального анализа данных. Пользователь, не являющийся экспертом в предметной области, вводит исходные данные, а интеллектуальная система через модуль логического вывода выдает решение задачи. Таким образом, пользователь может использовать интеллектуальную систему как систему поддержки решения.

Наиболее распространенными сферами применения интеллектуальных систем являются прогнозирование [11, 36, 115, 154], принятие решений [16, 44, 58, 147, 148, 155], распознавание образов [27, 76, 91, 134, 153], диагностика [17, 75, 87, 123, 124, 139], управление [88, 105, 149], автоматизированное проектирование [99, 100] и другие. Во всех перечисленных сферах интеллектуальные системы, как правило, рассматриваются в качестве систем поддержки принятия решений, т.е. выступают в роли консультанта для пользователя.

1.1.2. Формализация знаний в интеллектуальных системах

Как было отмечено выше, основным компонентом интеллектуальных систем является база знаний, правила которой описывают закономерности в рассматриваемой предметной области. Несмотря на достаточно большой срок существования и использования интеллектуальных систем, перед разработчиками до сих пор стоят проблемы формирования их баз знаний.

В настоящее время существует два основных подхода к формализации знаний в интеллектуальных системах (см. рис. 1.2.) [29]:

1) с применением метода инженерии знаний (ручной метод);

2) с применением методов и алгоритмов интеллектуального анализа данных (автоматический метод).

Рис. 1.2. Схема формализации знаний в интеллектуальных системах До недавнего времени для формализации знаний в интеллектуальных системах применялся метод инженерии знаний. Данный метод основан на получении знаний непосредственно у экспертов предметной области и требует большой аналитической работы: эксперту бывает трудно, а порой и невозможно изложить свои знания, опыт и интуицию в рамках строгих формальных моделей представления знаний.

В последнее время актуальность приобретают методы автоматического формирования баз знаний, основанные на применении методов и алгоритмов интеллектуального анализа данных. Использование такого подхода значительно упрощает и ускоряет процесс разработки интеллектуальной системы.

Очевидно, что при наличии достаточного количества экспериментальных данных использование второго подхода более предпочтительно, поскольку помимо сокращения времени и упрощения всего процесса получения знаний эксперт может участвовать в процессе оценивания сформированных правил и закономерностей, которые согласуются с его личными знаниями, опытом и интуицией.

Однако при этом, несмотря на все достоинства данного подхода, в процессе формирования знаний часто генерируются сотни и тысячи правил, составляющих базу знаний интеллектуальной системы, что, с одной стороны, усложняет работу эксперта по ее анализу и интерпретации, а, с другой, делает базу знаний избыточной. Все это в последствие может существенно повлиять на точность и скорость принимаемых интеллектуальной системой решений, сводя на нет преимущества процесса формирования знаний.

Для повышения эффективности использования интеллектуальных систем необходимо производить редукцию баз знаний за счет структурного упорядочивания и минимизации правил принятия решений без потери их полноты, непротиворечивости и точности принимаемых на их основе решений.

1.1.3. Формальные модели представления знаний

При формировании базы знаний интеллектуальной системы важно выбрать модель представления знаний [146]. Существует большое количество моделей представления знаний, среди которых можно выделить следующие основные классы [29]:

• фреймовые модели;

• модели семантические сети;

• продукционные модели;

• формальные логические модели.

Фреймовая модель - модель представления знаний, введенная М.Минским в 1975 году [79], как один из подходов к описанию знаний, при-

годных для понимания сцен и языка [71]. Основной единицей информации является фрейм. Он описывается совокупностью понятий и данных.

Каждый фрейм имеет имя и определенную структуру на множестве слотов, которые в свою очередь имеют свою внутреннюю структуру. Фрейм может быть представлен как список некоторых свойств, задаваемых в слотах, и связанных с отдельными слотами присоединенных процедур. Структура фрейма имеет следующий вид (см. рис. 1.3).

Имя фрейма

Имя слота Значение слота Способ получения значения Присо единенная процедура

Рис. 1.3. Структура фрейма

В первых двух столбцах определяют имя слота и его значение. В качестве значения может выступать имя другого фрейма, в этом случае образуется сети фреймов. Два последних столбца описывают способ получения знания и наименование присоединенной к ней процедуры. Организация вывода во фреймовой модели основывается на обмене сообщениями между фреймами и запуске присоединенных процедур.

На рис. 1.4 изображен пример сети фреймов.

Актив

АКО

Назн.

Объект

собственности

Размещение средств

Дебиторская задолженность^

АКО

Относ.

Содержит

Актив

Обор.средст. компании

Долги перед компанией

Автокредит

АКО

Дебит, задолж.

Срок до 7 лет

Залог Автомоб.

Рис. 1.4. Пример сети фреймов 19

В данном примере фрейм «Автокредит» наследует свойства фреймов «Дебиторская задолженность» и «Актив», которые находятся на более высоком уровне иерархии. Так, на вопрос к чему относятся «Автокредиты» следует ответить к «Оборотным средствам компании», так как этим свойством обладает вся дебеторская задолженность. Наследование свойств может быть частичным. Важным свойством фреймов является наследование свойство по АКО-связям. В слоте АКО указывается наименование фрейма более высокого уровня иерархии, откуда наследуются признаки.

Основным достоинством фреймовой модели является то, что она отражает концептуальную основу организации памяти человека и обладает такими характеристиками, как высокая структурированность, гибкость и наглядность. У фреймовых моделей имеются следующие недостатки [71]:

• в связи с тем, что знания описываются в виде процедур, то становится сложным приобретение и изменение знаний;

• применение фреймов возможно только при решении небольших задач (это условие определяется тем, что с ростом сложности задач, возникают трудности с описанием и управлением знаний).

Семантические сети ввел Квилиан в 1968 году для исследования искусственного интеллекта как образ описания человеческой памяти [71]. Понимание смысла с помощью семантических сетей позволяет выйти за пределы возможностей программного обеспечения обычных интеллектуальных систем. В моделях семантической сети знания предметной области описываются в виде ориентированного графа. Вершинам ставятся в соответствие конкретные объекты предметной области, а дугам - семантические отношения (связи) между ними [49, 77]. Характерной особенностью моделей семантической сети является наличие трех классов [29]: класс (элемент класса), свойство (значение) и пример элемента класса.

На рисунке 1.5 приведен пример фрагмента семантической сети.

Рис. 1.5. Пример фрагмента семантической сети

Проблема поиска решения на базе данной модели представления знаний сводится к задаче поиска подсети, отражающий поставленный запрос к базе знаний. Таким образом, недостатком данной модели является сложность вывода на семантической сети.

Список литературы диссертационного исследования кандидат наук Абдулхаков, Айдар Рашитович, 2015 год

СПИСОК ЛИТЕРАТУРЫ

Абдулхаков А.Р. Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем [Электронный ресурс] // Труды МАИ Московский авиационный институт (национальный исследовательский университет). Электронный журнал. - 2014. - № 75. - Режим доступа: http://www.mai.ru/science/trudy/published.php?ID=49703. Абдулхаков А.Р. Методика оценки кредитоспособности физических лиц // Международная молодежная научная конференция "XVIII Ту-полевские чтения»: материалы конференции. Том IV. г. Казань, 26-28 мая, 2009. С. 105-107.

Абдулхаков А.Р. Оптимизация баз знаний в экспертных системах // Закономерности и тенденции развития науки в современном обществе: сб. статей Междунар. научно-практ. конференции. - Уфа, 2013. -С. 60-67.

Абдулхаков А.Р. Применение генетических алгоритмов в задачах оптимизации баз знаний экспертных систем // «Применение современных информационных технологий в процессе реализации программ поведения человека в кризисных ситуациях». Казань, 16-19 сентября, 2013.-С. 35-47.

Абдулхаков А.Р. Редукция баз знаний в интеллектуальных системах // Логистика и экономика ресурсосбережения в промышленности: сб.научных трудов по материалам VIII Международной научно-практической конференции ЛЭРЭП-8-14. Москва, 19-20 ноября, 2014. -С. 307-311.

Абдулхаков А.Р. Редукция баз знаний в системах искусственного интеллекта // XIV Междунар. научно-техническая конф. «Кибернетика и

115

высокие технологии XXI века». Сб. статей. - Воронеж, 2013. - С. 105111.

7. Абдулхаков А.Р. Редукция баз знаний экспертных систем в розничном кредитовании // «Достижения и перспективы эконометрических исследований в России»: материалы докладов научно-практического семинара. Казань, 2014. - С. 3-5.

8. Абдулхаков А.Р., Катасёв A.C. Редукция нечетких правил в задаче оптимизации баз знаний экспертных систем // Вестник Казанского государственного технического университета им. А.Н. Туполева, № 3, 2012.-С. 110-115.

9. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. - М.: Наука. Гл. ред. физ.-мат. лит., 1986.-312 с.

10. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Изд-во ТГУ, 2000. - 352 с.

11. Андрейчиков A.B., Андрейчикова О.Н., Хорычев A.A. Экспертная система для прогнозирования стратегических инноваций // Качество. Инновации. Образование. - 2011. - № 12. - С. 26-36.

12. Аникин И.В., Гильмуллин Т.М. Моделирование объектов информационной безопасности для задачи оценки рисков // Научно-технические ведомости СПбГТУ. Информатика. Телекоммуникации. Управление. -2009. -№ 5.-С. 151-155.

13. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. - 2-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2007. - 384 е.: ил.

14. Барсегян A.A., Куприянов М.С., Холод И.И., Тесс М.Д. Анализ данных и процессов: учебное пособие. - 3-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2009. - 512 е.: ил.

15. Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / Под ред. Ярушкиной Н.Г. - М.: ФИЗМАТ ЛИТ, 2007. - 208 с.

16. Башлыков A.A., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике / Под. ред. А.Ф. Дьякова. - М.: Изд-во МЭИ, 1994,216 с.

17. Башлыков A.A., Еремеев А.П. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решений реального времени // Новости искусственного интеллекта. - 2002. - № З.-С. 35-40.

18. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. пособие. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.-304 с.

19. Бильгаева Л.П., Самбялов З.Г. Оценка качества алгоритмов кластеризации //Вестник Восточно-Сибирского государственного университета технологий и управления. - 2013. - № 6. - С. 53-60.

20. Борисов А.Н., Алексеев A.B., Крумберг O.A. Модели принятия решений на основе лингвистической переменной. - Рига: Зинатне, 1982. -256 с.

21. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. - Рига: Зинатне, 1990. - 184 с.

22. Борисов В.В., Бычков И.А., Дементьев A.B., Соловьев А.П., Федулов A.C. Компьютерная поддержка сложных организационно-технических систем. - М.: Горячая линия - Телеком, 2002. - 154 с.

23. Бочарников В.П. Fuzzy-технология: Математические основы. Практика моделирования в экономике. - Санкт-Петербург: «Наука» РАН, 2001.-328 с.

24. Бочарников В.П., Свешников C.B. Fuzzy-технология: Основы моделирования и решения экспертно-аналитических задач. - К.: Ника-Эльга, 2003.-293 с.

25. Бур дин O.A., Кононов A.A. Комплексная экспертная система управления информационной безопасностью «АванГард» // Информационное общество. - 2002. - № 3. - С. 38-44.

26. Васильев В.И., Хисамутдинов Т.З., Матвеев П.В., Красько A.C. Экспертная система поддержки принятия решений при управлении рисками в процессе аудита информационной безопасности // Информационная безопасность: матер. VII междунар. науч.-практ. конф. Таганрог: Изд-во ТРТУ, 2005. - С. 43-46.

27. Васильев О.М., Ветров Д.П., Кропотов Д.А. Представление и обнаружение знаний в экспертных системах для задач распознавания образов // Журнал вычислительной математики и математической физики. -2007. - Т. 47. - № 8. - С. 1428-1454.

28. Воронин С.Ю. Оценка кредитоспособности физического лица: теоретико-методологические аспекты // Журнал экономической теории. -2006,-№4.-С. 161-165.

29. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2001. - 384 е.: ил.

30. Галкина В.А. Дискретная математика: комбинаторная оптимизация на графах. - М.: Гелиос АРВ, 2003. - 232 е., ил.

31. Гильмуллин Т.М. Экспертный программный комплекс для управления рисками информационной безопасности // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта ISDMCI'2009: Материалы международной научной конференции. Том. I. - Херсон: Изд-во ХНТУ, 2009. - С. 255-258.

32. Гитис JI. X. Статистическая классификация и кластерный анализ. -М.: Изд-во Московского гос. горного ун-та, 2003. — 157 с.

33. Гладков J1.A., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. - М.: ФИЗМАТ ЛИТ, 2006. - 320 с.

34. Глова В.И., Катасёв A.C., Корнилов Г.С. Преднастройка и оптимизация параметров нечеткой нейронной сети при формировании баз знаний экспертных систем // Информационные технологии. - 2010. - № 5.-С. 15-19.

35. Глова В.И., Аникин И.В., Катасёв A.C., Кривилёв М.А., Насыров Р.И. Мягкие вычисления: учебное пособие. Казань: Изд-во Каз. гос. тех-нич. университета им. А.Н. Туполева, 2010. - 206 с.

36. Городецкий А.Е., Курбанов В.Г., Тарасова И.Л. Экспертная система анализа и прогнозирования аварийных ситуаций в энергетических установках // Информационно-управляющие системы. - 2012. - № 4. -С. 59-63.

37. Городецкий В.И., Самойлов В.В., Малов А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 1) // Новости искусственного интеллекта. - 2002. - № 3. - С. 3-12.

38. Городецкий В.И., Самойлов В.В., Малов А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 2) // Новости искусственного интеллекта. - 2002. - № 4. - С. 3-9.

39. Гуров В.В. Спам-фильтры для предприятий // Сети и системы связи. -2007,-№6.-С. 80-89.

40. Дюк В., Самойленко A. Data Mining: учебный курс. СПб.: Питер, 2001. - 386 е.: ил.

41. Дюк В.А., Флегонтов A.B., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия российского государственного педагогического университета им. А.И. Герцена. - 2011. - № 138. - С. 77-84.

42. Дьяконов В.П. MATLAB 6/6.1/6.5 + SIMULINK 4/5 в математике и моделировании. - М.: СОЛОН-Пресс, 2003 - 565 с.

43. Дьяконов В.П., Круглов B.B. Математические пакеты расширения Matlab. Специальный справочник. - СПб.: Питер, 2001. -488 с.

44. Емельяненко А.Р., Лапшин Д.Д., Квашнина Г.А. Использование аппарата экспертных систем в процессе поддержки принятия решений // Вестник Воронежского государственного технического университета. - 2009. - Т. 5. - № 5. - С. 244-249.

45. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.

46. Зак Ю.А. Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии. - М.: Либроком, 2013. - 352 с.

47. Зиновьев И.П., Аникин И.В. Усовершенствование системы нечеткого вывода Такаги-Сугено // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2009. - № 3. - С. 84-88.

48. Катаев М.Ю., Лавыгина A.B., Ходашинский И.А., Эйпштейн Д.А. Нечеткий аппроксиматор атмосферных температурных полей // Автометрия, 2010. - Т.46., №2. - С. 39-48.

49. Катасёв A.C. Модели и методы формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов: диссертация на соискание ученой степени доктора технических наук. -Казань, 2014.-257 с.

50. Катасёв A.C. Формирование базы знаний для фильтрации электронных почтовых сообщений // Моделирование систем / Под. ред. В.А. Райхлина. Труды Республ. научного семинара «Методы моделирования». Вып. 5. - Казань: Изд-во «Фэн» («Наука»), 2013. - С. 85-99.

51. Катасёв A.C. Формирование базы знаний системы фильтрации электронных почтовых сообщений // Научно-технический вестник Поволжья, № 5, 2013. - С. 191-194.

52. Катасёв A.C., Абдулхаков А.Р. Кластерный метод редукции нечетких правил в базах знаний интеллектуальных систем // Сб.докладов XVIII

Междунар. конф. по мягким вычислениям и измерениям. - СПб, 2015. -Т. 2-С. 25-28.

53. Катасёв A.C., Абдулхаков А.Р. Оптимизация баз знаний экспертных систем в сфере потребительского кредитования // Проблемы анализа и моделирования региональных социально-экономических процессов: IV Международная научно-практ. конференции. - Казань, 2013. - С. 110-113.

54. Катасёв A.C., Абдулхаков А.Р. Оптимизация базы знаний системы спам-фильтрации на основе кластерного метода редукции нечетких правил // Материалы VII Межрегиональной научно-практической конференции «Информационная безопасность и защита персональных данных. Проблемы и пути их решения». - Брянск, 2015. - с. 5-9.

55. Катасёв A.C., Абдулхаков А.Р. Редукция нечетких правил для оптимизации баз знаний экспертных систем // Проблемы и перспективы развития информационных технологий: Всерос. научно-техническая конф., посвященная 40-летию основания Института технической кибернетики и информатики КНИТУ-КАИ. - Казань, 2012. - С. 353-361.

56. Кацко И.А., Паклин Н.Б. Практикум по анализу данных на компьютере: Учеб. пособие для вузов. - М.: Изд-во «КолосС», 2009. - 278 с.

57. Кирпичников А.П., Катасёв A.C., Абдулхаков А.Р. Методы редукции нечетких правил в базах знаний интеллектуальных систем // Вестник Казанского технологического университета. - 2014. - Т. 17, № 23. - С. 389-392.

58. Козлова Т.Д., Игнатьев A.A., Самойлова Е.М. Реализация экспертной системы поддержки принятия решений для определения неисправностей технологической системы // Вестник Саратовского государственного технического университета. - 2011. - Т. 2. - № 2. - С. 219-224.

59. Конюшенко В. В. MATLAB. Язык технических вычислений. - Электронное издание. - 2007. - 73 с.

60. Комарцова Л.Г. Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений: Дисс. на соиск. уч. степ. докт. техн. наук. - Калуга, 2003. - 436 с.

61. Комарцова Л.Г. Особенности построения эволюционных систем на основе генетических алгоритмов // 1 Межд. Конф. САИТ-2005. Пере-славль-Залесский, 2005. - С. 201-204.

62. Комарцова Л.Г. Эволюционные методы формирования нечетких баз правил // Открытые семантические технологии проектирования интеллектуальных систем — OSTIS-2011. Минск, 2011. - С. 181-184.

63. Корнеев A.M. Использование методов кластерного анализа для дискретных величин: учебное пособие. - Липецк: Липецкий гос.технический ун-т, 2006. - 56 с.

64. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх C.B. Базы данных. Интеллектуальная обработка информации. М.: Издатель Молгачева C.B., Издательство Нолидж, 2001. - 496 е., ил.

65. Корнилов Г.С. Методы, алгоритмы и программный комплекс предна-стройки и оптимизации параметров нейронечёткой модели формирования баз знаний экспертных систем: Дисс. на соиск. уч. степ, к-та техн. наук. - Казань, 2000. - 144 с.

66. Коробейников А.Г., Сидоркина И.Г., Блинов С.Ю., Лейман A.B. Алгоритм классификации информации для решения задачи фильтрации нежелательных сообщений // Программные системы и вычислительные методы.- 2012. -№ 1.-С. 89-95.

67. Коробулина О.Ю., Иванова Н.В. Экспертная система аудита информационной безопасности // Программные продукты и системы. - 2010. - № 4. - С. 91-93.

68. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. - М.: Физматлит, 2002. - 256 с.

69. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. - 224 с.

70. Кудинов Ю.И., Келина А.Ю., Кузнецов Ю.В. Нечеткие регуляторы Мамдани // Вести высших учебных заведений Черноземья. - 2011. -№4.-С. 35-41.

71. Кургаев А.Ф., Григорьев С.Н. Анализ доминирующих моделей представления и использования знаний // Управляющие системы и машины. - 2014. № 3 (251). С. 64-73.

72. Левин М. Антиспам без секретов: Практические рекомендации по борьбе с нелегальной рассылкой по электронной почте - М.: Бук-пресс, 2006. - 320 с.

73. Леденева Т.М., Сергиенко М.А. Оптимальное построение нечеткой базы правил // Системы управления и информационные технологии. 2008. Т. 34. №4. С. 34-38.

74. Леоненков A.B. Нечеткое моделирование в среде MATLAB и FuzzyTech. - СПб.: БХВ-Петербург, 2005. - 736 с.

75. Лила В.Б., Костюков A.B. Экспертная система диагностики силовых трансформаторов // Инженерный вестник Дона. - 2013. - № 1. - С. 22.

76. Максимова А.Ю., Варламов О.О. Миварная экспертная система для распознавания образов на основе нечеткой классификации и моделирования различных предметных областей с автоматизированным расширением контекста // Известия Южного федерального университета. Технические науки. - 2011. - Т. 125. -№ 12. - С. 77-87.

77. Маренко В.А. Способы представления данных в экспертных системах // Математические структуры и моделирование. - 2001. - № 8. - С. 3439.

78. Маринин С.А. Борьба со спамом и вирусами. - Санкт-Петербург: НТ Пресс, 2007 г. - 48 с.

79. Минский М. Фреймы для представления знаний: Пер с англ. / Под ред. Ф.М. Кулакова. - М.: Энергия, 1979. - 342 с.

80. Насыров Р.И., Абдулхаков А.Р. Защищенная информационная система оценки кредитоспособности физических лиц // Инфокоммуникац. технологии глобального информац. общества: сб. трудов 7-й междунар. научно-практ. конф. - Казань, 2009. - С. 442-446.

81. Олейник A.A., Субботин С.А. Редукция баз нечётких правил на основе мультиагентного подхода // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. 2009. № 43. С. 126-137.

82. Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дисс. на соиск. уч. степ, к-та техн. наук. - Ижевск, 2004. - 167 с.

83. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учебное пособие. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 е.: ил.

84. Паклин Н. Б. Кластеризация категорийных данных: масштабируемый алгоритм CLOPE. [Электронный ресурс] - URL: http://www.basegroup.ru/clusterization/clope.htm

85. Петрова Е.А., Шевандрин A.B., Трухляева A.A. Интеллектуальный анализ данных: статистические методы: Учебное пособие. - Волгоград: Консалт, 2013.-281 с.

86. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. - М.: Наука, 1987. - 288 с.

87. Попова Е.В. Экспертная система диагностики вертеброгенных поясничных болей // Известия Южного федерального университета. Технические науки. - 2004. - Т. 37. - № 2. - С. 126-127.

88. Радченко С.А. Экспертная система управления технологическим процессом в реальном режиме времени // Известия Южного федерального университета. Технические науки. - 2008. - Т. 79. - № 2. - С. 191-194.

89. Руденко A.A. Системы поддержания пластового давления: нынешнее состояние и перспективы развития // Насосы и оборудование. - № 2(23).-2003.-С. 31-32.

90. Рутковский JI. Методы и технологии искусственного интеллекта / пер. с польского И.Д. Рудинского. - М.: Горячая линия-Телеком, 2010. -520 с.

91. Савинов А.Н., Сидоркина И.Г. Математическая модель механизма распознавания клавиатурного почерка на основе гауссовского распределения // Известия Кабардино-Балкарского научного центра РАН. -2013. -№ 1 (51).-С. 26-32.

92. Семенова М.А., Семенов В.А. Метод автоматической фильтрации при борьбе со «спамом» // Известие вузов. «Приборостроение». - 2009. Т. 52,-№9.-С. 32-34.

93. Сенилов М.А., Цепелев В.П. Программные средства для разработки систем нечеткой логики и эволюционных алгоритмов // Информационные технологии в инновационных проектах: Тр. IV Междунар. науч.-техн. конф. - Ч. 2. - Ижевск: Изд-во ИжГТУ, 2003. - С. 87-89.

94. Сергиенко М.А. Методы анализа и структуризации базы нечетких правил. Автореферат дис. канд. техн. наук. - Воронеж, 2010. - 18 с.

95. Сергиенко М.А. Методы анализа и структуризации базы нечетких правил: Дисс. на соиск. уч. степ, к-та техн. наук. - Воронеж, 2010. -155 с.

96. Сергиенко М.А. Методы проектирования нечеткой базы знаний // Вест-ник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2008. № 2. С. 67-71.

97. Сергиенко М.А. Представление нечеткой базы правил в виде иерархии на основе группировки правил // Международный научно-исследовательский журнал. 2014. № 1-1 (20). С. 88-91.

98. Сидоркина И.Г. Системы искусственного интеллекта: учебное пособие. - М.: КНОРУС, 2014. - 248 с.

99. Симонова Л.А., Клочков Е.Ю., Ефремов A.C. Интеллектуальная система автоматизированного проектирования стандартов предприятий

// Кузнечно-штамповочное производство. Обработка материалов давлением. - 2011. - № 12.-С. 37-41.

100. Симонова JI.A., Валиев A.M., Панкратов Д.Д., Валиева Р.Ф. Автоматизированная система проектирования и технологической подготовки производства составных металлических изделий прошивкой // Фундаментальные исследования. - 2014. - № 9-8. - С. 1697-1702.

101. Созинова E.H. Применение экспертных систем для анализа и оценки информационной безопасности // Молодой ученый. - 2011. - № 10. Т.1.-С. 64-66.

102. Соловьев В.Д. Технологии извлечения из текстов информации о событиях в реальном времени // Нейрокомпьютеры: разработка, применение. - №1. - 2013. - С. 23-30.

103. Тарасова A.C. Моделирование обобщенных процедур кластеризации и анализ данных сложной структуры: Дисс. на соиск. уч. степ, к-та техн. наук. - Воронеж, 2007. - 170 с.

104. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1991.

105. Ткалич С.А. Применение экспертных систем в безаварийном управлении // Электротехнические комплексы и системы управления. - 2010.

- № 2. - С. 35-39.

106. Фролов Ю.В. Интеллектуальные системы и управленческие решения.

- М.: МГПУ, 2000. - 294 с.

107. Ходашинский И.А. Идентификация нечетких систем: методы и алгоритмы // Проблемы управления. - 2009. - № 4. - С. 15-23.

108. Ходашинский И.А., Горбунов И.В. Оптимизация параметров нечетких систем на основе модифицированного алгоритма пчелиной колонии // Мехатроника, автоматизация, управление. - 2012. - № 10. С. - 15-20.

109. Ходашинский И.А., Горбунов И.В., Дудин П.А. Алгоритмы муравьиной и пчелиной колонии для обучения нечетких систем // Доклады

Томского государственного университета систем управления и радиоэлектроники. - 2009. - Т. 2.-С. 157-161.

110. Ходашинский И.А., Дудин П.А. Оценивание параметров функций принадлежности на основе алгоритма муравьиной колонии // Тр.междук.науч.-техн.конф. «Интеллектуальные системы» (IEEE AIS'07). -М.:Физматлиб, 2007.-Т. 1.-С. 88-94

111. Ходашинский И.А., Лавыгина A.B. Применение генетического алгоритма для обучения нечетких систем типа синглтон // Обозрение прикладной и промышленной математики. - 2007. - Т. 14. - № 6. - С.

1143-1144.

112. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. - Винница: УНИВЕРСУМ-Винница, 2001. - 756 с.

113. Штовба С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB // Математика в приложениях. - 2003. - № 2(2). - С. 9-15.

114. Штовба С.Д. Муравьиные алгоритмы // Exponenta Pro. Математика в приложениях. 2003. № 4. С. 70-75.

115. Шумков Д.С., Сидоркина И.Г. Интеграция технологии технических индикаторов и деревьев решений при прогнозировании временных рядов // Вестник Волжского университета им. В.Н. Татищева. - 2011. - № 17.-С. 36-38.

116. Щуревич Е.В. Кластеризация знаний в системах искусственного интеллекта // Информационные техно-логии. 2009. №2. С. 25-29.

117. Щуревич Е.В., Крючкова E.H. Моделирование и анализ знаний в системах искусственного интеллекта // Вестник Алтайского гос. технич. ун-та им. И.И. Ползунова. Барнаул, 2007. №2. С. 173-177.

118. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Программные продукты и системы. - 2002. - № 3. - С. 19-22.

119. Ярушкина Н.Г., Наместников A.M. Методы мягких вычислений в организации хранилища проектных документов // Радиотехника. - 2012. - № 9. - С. 14-20.

120. Alatas В. Chaotic bee colony algoritms for global numerical optimization // Expert Systems with Application. - 2010. - V.37. - P.5682-5687.

121. Arthur D.,Vassilvitskii S. k-means++: the advantages of careful seeding // Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics Philadelphia, PA, USA. - 2007. P. 1027-1035.

122. Bache K., Lichman M. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science. 2013.

123. Batyrshin I. Uncertainties with memory in construction of strict monotonic t-norms and t-conorms for finite ordinal scales: basic definitions and applications // Applied and Computational Mathematics. - 2011. - Vol. 10. - N 3.-P. 498-513.

124. Batyrshin I., Zakuanov R., Bikushev G. Expert system based on algebra of uncertainties with memory in process optimization, in: D. Ruan, P. D'hondt, P. Govaerts and E. E. Kerre, Eds., Fuzzy Logic and Intelligent Technologies in Nuclear Science, FLINS 1994. (World Scientific, Singapore, 1994).-P. 156-159.

125. Bellaaj H., Ketata R., Chtourou M. A new method for fuzzy rule base reduction // Journal of Intelligent & Fuzzy Systems, 2013. - Vol. 25, N. 3. -P. 605-613.

126. Cordon O., Herrera F., Lozano M. A Classified review on the combination fuzzy logic-genetic algorithms bibliography // Technical Report DECSAI-95129, Dept. of Computer Science and A.I., University of Granada, December 1996. - 35 p.

127. Cordon O., Herrera F., A General study on genetic fuzzy systems // Genetic Algorithms in engineering and computer science, 1995. - P. 33-57.

128. Cordon O, Herrera F, Lozano M. On the bidirectional integration of fuzzy logic and genetic algorithms // 2nd Online Workshop on Evolutionary Computation (WEC2), Nagoya (Japan), 1996. - P. 13-17.

129. Cotta C., Alba E., Troya J. M. Evolutionary design of fuzzy logic controllers // In Proc. ISIC'96 Conference (Detroit), 1996. - P. 127-132.

130. Dorigo M., Maniezzo V., Colorni A. Ant system: optimization by a colony of cooperating agents // IEEE Transactions on Systems, Man, and Cybernetics. - 1996. - Vol.26. - P. 29-41.

131. Dorigo M., Maniezzo V., Colorni A. Optimization, learning and natural algorithms // Milano: Politécnico di Milano, 1992. - 140p.

132. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics (7), 1936. - P. 179-188.

133. Fuzzy Logic Toolbox. User's Guide, Version 2. - The Math Works Inc., 1999.

134. Ganapathy S., Sethukkarasi R., Yogesh P., Vijayakumar P., Kannan A. An intelligent temporal pattern classification system using fuzzy temporal rules and particle swarm optimization // Sadhana, 2014. - Vol. 39, Part 2. - P. 283-302.

135. Herrera F., Lozano M. Fuzzy genetic algorithms: issues and models // Technical Report DECSAI-98116 , Dept. of Computer Science and A.I., University of Granada, June 1998. - 32 p.

136. Holland J.H. Adaptation in Natural and Artificial Systems, Ann Arbor: University of Michigan Press, 1975.

137. Karaboga D., Basturk B. On the performance of artificial bee tual bee algorithms // Applied Soft Computing, 2008. - V.8. - P. 687-697.

138. Liu F., Quek C., Ng GS. A novel generic hebbian ordering-based fuzzy rule base reduction approach to mamdani neuro-fuzzy system // Neural Computation, 2007. - V.19. - P. 1656-1680.

139. Mahmoodabadi S.Z., Alirezaie J., Babyn P., Ahmadian A., Abolhasani M. A fast expert system for electrocardiogram arrhythmia detection // Expert Systems. V. 27, № 3, 2010. - P. 180-200.

140. Mouzouris, G.C., Mendel, J.M. Non-singleton fuzzy logic systems // Proceedings of the Third IEEE Conference on Fuzzy Systems. - 1994. - Vol. 1,-P. 456-461.

141. Palarea-Albaladejo J., Martín-Fernández J. A., Soto J. A. Dealing with Distances and Transformations for Fuzzy C -Means Clustering of Compositional Data // Journal of Classification. - 2012. - Vol.29. - P. 144-169.

142. Panchariyaa P.C., Palit A.K., Sharmac A.L., Popovicd D. Rule extraction, complexity reduction and evolutionary optimization for fuzzy modeling // International Journal of Knowledge-based and Intelligent Engineering Systems, 2004. - V.8. - P. 189-203.

143. Pham D.T., Darwish A.H. Eldukhri E.E. Optimisation of a fuzzy logic controller using the Bees Algorithm // International Journal of Computer Aided Engineering and Technology. - 2009. - Vol.1, No.2 - P. 250-264.

144. Rule Maker for CubiCalc. HyperLogic Corporation, 1994 - 30 p.

145. Sahami M., Dumais S., Heckerman D., Horvitz E. A Bayesian approach to filtering junk e-mail // AAAI Workshop on Learning for Text Categorization. 1998.-P 55-62.

146. Simonova L.A., Egorov B.E. Knowledge models in a smart information system for tool selection and delivery // Russian Engineering Research. -2015. -№34 (12).-P. 811-813.

147. Solovyev V., Kuzmin S. Expert-system-based ecologists' workstations. Internat. Journal of Applied Expert Systems. V. 1, № 3, 1993. - P. 75-86.

148. Solovyev V., Kuzmin S. Expert system for analysis of the air pollution. Proc. XI Internat.conf. "Expert systems & their applications". Avignon. 1992. P.438-443.

149. Stefanescu L., Ungureanu L., Constantinescu M., Barbu C., Stefanescu A. Expert system and its applications for a sustainable environment manage-

ment // Journal of environmental protection and ecology. V. 12, № 3, 2011. -P. 1582-1591.

150. Teodorovic D. Bee Colony Optimization (BCO) // Innovations in Swarm Intelligence. Heidelberg: Springer-Verlag, 2009. - V.248. - P.39-60.

151. Thiago S. Guzella, Walmir M. Caminhas A review of machine learning approaches to Spam filtering // Expert Systems with Applications. - 2009. -V. 36. - № 7. - P. 10206-10222.

152. Tron E., Margaliot M. Mathematical Modeling of Observed Natural Behavior: a Fuzzy Logic Approach // Fuzzy Sets and Systems. - 2004. - Vol. 146. - P. 437-450.

153. Vasil'ev O.M., Vetrov D.P., Kropotov D.A. Knowledge representation and acquisition in expert systems for pattern recognition // Computational mathematics and mathematical physics. V. 47, № 8, 2007. - P. 1373-1397.

154. Vovk Svetlana P., Ginis Larisa A. Modeling and forecasting of transitions between levels of hierarchies in difficult formalized systems // European Researcher. V. 1, № 5, 2012. - P. 541-545.

155. Vrana I., Aly S. Modeling heterogeneous experts' preference ratings for environmental impact assessment through a fuzzy decision making system // IFIP advances in information and communication technology. V. 359, 2011.-P. 535-549.

156. Wang L.X., Mendel J.M. Fuzzy basis functions, universal approximation, and orthogonal least squares learning // IEEE Transactions of Neural Networks. - 1992. - Vol. 3. - P. 807-813.

157. Wang Y., Niu D., Ji L. Power load forecasting using data mining and knowledge discovery technology // International journal of intelligent information and database systems V. 5, № 5, 2011. - P. 452-467.

158. Wedde H.F., Farooq M., Zhang Y. BeeHive: An Afficient Fault-Tolerant Routing Algorithm Inspired by Honey Bee Behavior // Ant colony optimization and swarm intelligence, LNCS 3172. Berlin: Springer-Verlag, 2004. -P. 83-94.

159. Yang Y., Guan H., You. J. CLOPE: a fast and effective clustering algorithm for transactional data // Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining. - 2002. -P. 682-687.

160. Yang X.-S. Engineering Optimizations via Nature-Inspired Virtual Bee Algorithms // IWINAC 2005, LNCS 3562. Berlin: Springer-Verlag, 2005. -P. 317-323.

161. Yuanchun Zhu, Ying Tan. A Local-Concentration-Based Feature Extraction Approach for Spam Filtering // IEEE Transactions on Information Fo-rensics and Security. - 2011. - Vol. 6. -№ 2. - P. 486-497.

162. Zhang H., Wu Q.M.J., Zheng Y., Minh Nguyen Th., Wang D. Effective fuzzy clustering algorithm with Bayesian model and mean template for image segmentation// Image Processing, IET. -2014. - Vol. 8. - P. 571-581.

163. Zhexue H. Clustering large data sets with mixed numeric and categorical values // Data Mining and Knowledge Discovery. - Vol. 2. -1. 3. P. 283304.

ПРИЛОЖЕНИЕ 1. ЭКОНОМИЧЕСКИЙ ЭФФЕКТ ОТ РЕДУКЦИИ БАЗЫ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ СКОРИНГОВОЙ СИСТЕМЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ

Экономический эффект от редукции нечетких правил в базе знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц достигается за счет ряда факторов, наиболее значимыми из которых являются увеличение точности принятия решений, а также значительное снижение количества нечетких правил.

Процесс апробации системы состоял из следующих этапов:

1) доработка программного обеспечения разработанным математическим обеспечением редукции нечетких правил в базе знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц;

2) сравнительная оценка стоимости обслуживания редуцированной и исходной баз знаний в течение месяца;

3) сравнительная оценка точности определения благонадежных и неблагонадежных клиентов в течение месяца и влияние на доходы и расходы в течение полугода.

Стоимость доработки программного обеспечения согласно разработанному математическому обеспечению описана в таблице ниже.

Таблица. Стоимость доработки программного обеспечения

Наименование работ Трудозатраты, ч/д Стоимость работ за 1 ч/д, руб. Стоимость работ, руб.

Разработка 20 4000 80 000

Тестирование 10 2000 20 000

Внедрение 2 2000 4 000

ИТОГО: - - 104 000

Как видно из таблицы, доработка программного обеспечения составила 104 ООО рублей.

Стоимость обслуживания исходной и редуцированной баз знаний интеллектуальной скоринговой системы различаются только в трудозатратах оценки нечетких правил принятия решений. База знаний обновляется ежемесячно и проходит предварительно экспертную оценку. За один человекодень эксперт может оценить не более 900 правил принятия решений. Стоимость работы эксперта по оценке базы знаний составляет 4 ООО рублей за ч/д. Таким образом, стоимость оценки исходной базы знаний составляет (10 368/900) * 4 000 рублей = 48 000 рублей (округление в большую сторону), а редуцированной базы знаний (854/900) * 4 000 рублей = 4 000 рублей (округление в большую сторону). Таким образом, ежемесячная оценка базы знаний редуцированной базы знаний ниже на 44 000 рублей по сравнению с исходной базой знаний.

Для оценки экономического эффекта от увеличения точности принимаемых интеллектуальной скоринговой системой решений на базе редуцированной базы знаний необходимо определить следующие параметры:

• сумма X процентов, полученных в результате выданных кредитов исходной базой знаний, оплачиваемых в течение полугода своевременно, по которым редуцируемая база знаний классифицировала клиента как неблагонадежный;

• сумма У просроченной задолженности, которая возникла в результате выдачи кредитов исходной базой знаний, вышедших на просрочку, и по которым редуцированная база знаний классифицировала клиента как неблагонадежный;

• сумма 2 потенциальных процентов, недополученных в результате отказа в выдаче кредитов исходной базой знаний, по которым клиентам оплачивали бы задолженность в срок, и по которым редуцированная база знаний классифицировала клиента как благонадежный;

« сумма Ж потенциальной просроченной задолженности, неполученной в результате отказа в выдаче кредитов исходной базой знаний, по которым

клиенты не оплачивали бы задолженность в срок, и по которым редуцированная база знаний классифицировала клиента как благонадежный. Таким образом, экономический эффект от увеличения точности принимаемых интеллектуальной скоринговой системой в результате редукции нечетких правил определяется как Х-Х+У—1¥. В связи с тем, что в процессе апробации разработанного математического и программного обеспечения результаты о выдаче кредита принимались на основе исходной базы знаний, то значение IV неизвестно и оценка эффективности будет определяться как У—Х.

За октябрь 2014 года физическим лицам было выдано потребительских кредитов на сумму 1,6 млрд. рублей, из них в течение полугода вышло на просрочку кредитов на сумму 32 млн. рублей. Сумма задолженности по кредитам, вышедшим на просрочку в течение полугода, и клиентам, классифицируемым редуцированной базой знаний как неблагонадежные, составляет 6 млн. рублей (значение У). Сумма задолженности по «хорошим» кредитам, и клиентам, классифицируемым редуцированной базой знаний как неблагонадежные, 10 млн. рублей. Средняя ставка по кредиту составляла 20% и, таким образом, сумма процентов за полгода ориентировочно составляет 1 млн. рублей (значение X).

Общая сумма экономического эффекта от увеличения точности принимаемых решений интеллектуальной скоринговой системой в результате редукции нечетких правил составляет 6 млн. - 1 млн. = 5 млн. рублей в месяц.

Таким образом, экономический эффект от редукции базы знаний Интеллектуальной скоринговой системы составил 5,044 млн. рублей в месяц при сумме единовременных затрат 0,104 млн. рублей.

По результатам редукции нечетких правил в базе знаний интеллектуальной скоринговой системы и оценки эффективности разработанного математического и программного обеспечения принято решение о вводе разработаного модуля редукции в промышленную эксплуатацию.

ПРИЛОЖЕНИЕ 2. АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

«УТВЕРЖДАЮ»

Врио начальника Центра

эмационных технологий, ^защиты информации

блике Татарстан Д.Ш. Зиннатуллмн 2015 г.

оо использовании результатСТ^аадядатскои диссертации аспиранта кафедры систем информационной безопасности Казанского национального исследовательского технического университета им. А.Н. Туполева-КАИ Абдулхакова Айдара Рашитовича

Мы. ниже подписавшиеся, начальник отдела обеспечения информационной безопасности Т.Р. Фасхутдинов и начальник отделения мониторинга аппаратно-программных комплексов A.M. Ахметвалеев составили настоящий акт о том. что результаты диссертационной работы Абдулхакова Айдара Рашитовича на соискание ученой степени кандидата технических наук, включающие:

• кластерно-генетический метод редукции нечетких правил в базах знаний интеллектуальных систем;

• программный комплекс редукции баз знаний интеллектуальных систем прошли успешную апробацию в информационной системе Центра информационных технологий, связи и защиты информации Министерства внутренних дел по Республике Татарстан и использованы для редукции нечетких правил базы знаний интеллектуальной системы предварительного выявления электронных писем несанкционированной массовой рассылки.

Практическое использование результатов работы позволило:

• повысить точность и скорость фильтрации электронных почтовых сообщений:

• улучшить интерпретируемость базы знаний:

• сократить время и снизить нагрузку на специалистов при анализе входящей электронной корреспонденции.

Рекомендуем результаты диссертационной работы Абдулхакова Айдара Рашитовича к внедрению на других предприятиях и в организациях для решения задачи редукции баз знаний интеллектуальных систем.

Начальник отдела обеспечения информационной безопасности ЦИТСиЗИ МВД по Республике Татарстан Т.Р. Фасхутдинов

Начальник отделения мониторинга аппаратно-программных комплексов ЦИТСиЗИ МВД по Республике Татарстан / / А.М. Ахметвалеев

«УТВЕРЖДАЮ»

АКТ

о внедрении в учебный процесс университета результатов кандидатской диссертации аспиранта кафедры систем информационной безопасности Абдулхакова Айдара Рашитовича

Мы, нижеподписавшиеся, заведующий кафедрой систем информационной безопасности, к.т.н., доцент Аникин И.В., директор института компьютерных технологий и защиты информации, к.т.н., доцент Трегубое В.М., составили настоящий акт о том, что полученные аспирантом кафедры систем информационной безопасности Абдулхаковым А.Р. результаты кандидатской диссертации внедрены в учебный процесс университета.

Предложенные в диссертации методы, алгоритмы и программный комплекс редукции нечетких правил в базах знаний интеллектуальных систем используются на кафедре систем информационной безопасности для подготовки магистров по направлению «Информатика и вычислительная техника» при изучении дисциплин «Системы искусственного интеллекта», «Базы знаний интеллектуальных систем». Кроме того, результаты работы Абдулхакова А.Р. активно используются в дипломном проектировании и НИРС кафедры.

Директор института компьютерных технологий и защиты информации,

к.т.н., доцент

В.М. Трегубов

Заведующий кафедрой систем информационной безопасности, к.т.н., доцент

УТВЕРЖДАЮ

И.о. Председателя Правления 00©1фЭ^<<Банк Казани»

Э.Р. Зарипов 1 с* А 2015 г.

г>

\

\irJS»

\

/

АКТ

о внедрении результатов кандидатской диссертации Абдулхакова Айдара Рашитовича

Мы, ниже подписавшиеся, начальник отдела информационной безопасности ООО КБЭР «Банк Казани» И.О. Силантьев и начальник управления автоматизации и технологии ООО КБЭР «Банк Казани» О.С. Бачурин составили настоящий акт о том, что результаты диссертационной работы Абдулхакова Айдара Рашитовича на соискание ученой степени кандидата технических наук, который включает программный комплекс редукции нечетких правил в базах знаний прошли апробацию в управлении автоматизации и технологий ООО КБЭР «Банк Казани» и внедрены в эксплуатацию в виде модуля редукции базы знаний скоринговой системы оценки кредитоспособности физических лиц.

Практическое использование результатов работы позволило:

• снизить нагрузку на специалистов по сопровождению скоринговой системы;

• повысить точность принятия решений;

• повысить интерпретируемость базы знаний.

Считаем актуальным и эффективным внедрение модуля редукции базы знаний при разработке интеллектуальных систем поддержки принятия решений.

И.О. Силантьев

_ О.С. Бачурин

ТЛТФОНДЪАНК

ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО АКЦИОНЕРНЫЙ ИНВЕСТИЦИОННЫЙ КОММЕРЧЕСКИЙ БАНК

Россия, Республика Татарстан, 420111, г. Казань, ул. Чернышевского, 43/2. тел.: [phone] тел./факс.: [phone], www.lfb.ru. e-mail: [e-mail]. ОГРН 1021600000036. ОКПО 33863839, ИНН/КПП 165301691 4/1 65501 001

На №

№ от

Г

И

АКТ

о внедрении результатов кандидатской диссертации Абдулхакова Айдара Рашитовича

Настоящий акт сос тавлен том, что результаты диссертационной работы Абдулхакова Айдара Рашитовича на соискание ученой степени кандидата технических наук, включающие методы, алгоритмы и программный комплекс редукции базы знаний прошли апробацию в ОАО «АИКБ «Тат-фондбанк» и внедрены в эксплуатацию в виде модуля редукции базы знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц.

Практическое использование результатов работы позволило:

• повысить точность и скорость принятия скоринговых решений;

• повысить интерпретируемость базы знаний и снизить нагрузку на специалистов по сопровождению скоринговой системы.

Считаю актуальным и необходимым внедрение модуля редукции базы знаний при разработке интеллектуальных систем поддержки принятия решений. Экономическая эффективность этого не вызывает сомнений.

Д и ре к"! о р Д е п а рта мента и 11 ф о р м а ц и о и и ы х те х 11 о л о г и й

К.В. Хайсанов

15- 27684

ПРИЛОЖЕНИЕ 3. СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ

тееотШжАзя фвджрмщеш

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2015610634

Программа для оптимизации баз знаний систем нечеткого логического вывода

Правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИТУ-КАИ) (Ли)

Авторы: Абдулхаков Айдар Рашитович (ЯЦ), Катасёв Алексей Сергеевич (ЯЦ)

Заявках» 2014661793

Дата поступления 20 Ноября 2014 Г.

Дата государственной регистрации

в Реестре программ для ЭВМ 14 ЯНварЯ 2015 г.

Врио руководителя Федеральной службы по интеллектуальной собственности