Разработка и исследование автоматизированных систем анализа деятельности предприятия с использованием семантических сетей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Крошилина, Светлана Владимировна

• Крошилина, Светлана Владимировна
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Крошилина, Светлана Владимировна

введение.

глава 1. автоматизированные системы анализа деятельности предприятий.

1.1. Автоматизация анализа деятельности предприятий с помощью экспертных систем.

1.1.1. Основные понятия.

1.1.2. Задачи автоматизации анализа деятельности предприятия.

1.1.3. Принципы построения производственных аналитических систем и механизм анализа результатов.

1.2. Краткий обзор существующих экспертных аналитических систем

1.2.1. Системы, основанные на правилах.

1.2.2. Нейросетевые системы, основанные на примерах.

1.2.3. Нечеткие системы, основанные на принципах.

1.2.4. Системы, основанные на разработке моделей.

1.2.5. Особенности и недостатки существующих автоматизированных систем анализа деятельности предприятий.

1.3. Интеллектуальные информационные системы анализа деятельности предприятия.

1.3.1. Развитие направлений интеллектуальных систем аналитики деятельности предприятий.

1.3.2. Методология проектирования интеллектуальных систем аналитики деятельности предприятий.

1.3.3. Общая структура экспертной системы анализа деятельности предприятия.

Основные результаты.

глава 2. система анализа деятельности предприятия, основанная на семантических сетях.

2.1. Модели представления знаний экспертов.

2.1.1. Логические модели-.

2.1.2. Фреймы.

2.1.3. Нейронные сети.

2.1.4. Продукционные системы.

2.1.5. Семантические сети.

2.2. Универсальная алгебра для описания сетевой модели знаний в нечеткой экспертной системе.

2.2.1. Основные понятия универсальной алгебры.

2.2.2. Применение нечетких множеств.58'

2.2.3. Нечеткие объекты предметной области.

2.3. Описания предметной области семантической сетью.6 Г'

2.3.1. Описание семантической, сети нечеткой экспертной1 системыбЗ

2.3.2. Определение операций на элементах семантической-сети.

2.3.3. Определение операций над семантическими сетями.

2.3.4. Определение отношений на множестве элементов семантической сети.74"

2.3.5. Определение отношений на семантических сетях.

Основные результаты.

глава 3. автоматизация анализа деятельности предприятий в нечеткой экспертной системе.

3.1. Механизм логического вывода в нечеткой экспертной системе анализа деятельности предприятий.

3.1.1. Оценка сгенерированных вариантов возможного выбора рекомендаций для принятия управленческих решений.

3.1.2. Согласование рекомендаций и ситуаций.

3.1.3. Контроль развития ситуации.

3.1.4. Выбор возможных решений.

3.2. Модель предприятия.

3.2.1. Понятие модели предприятия в нечеткой экспертной системе

3.2.2. Формирование модели предприятия.

3.2.3. Сетевая модель предприятия в нечеткой экспертной системе анализа деятельности предприятий.

3.2.4. Типы моделей предприятия в нечеткой экспертной системе.

3.3. Модель событий предприятия.

3.3.1. Выбор рекомендаций.

3.3.2. Ознакомление с предметной областью деятельности предприятия.

3.4. Анализ деятельности предприятия с применением модели предприятия.

3.4.1. Оценочная функция.

3.4.2. Расширенный набор рекомендаций при анализе.

3.4.3. Ординарные рекомендации при анализе.

3.4.4. Распределение рекомендаций в пространстве ситуаций предметной области.

3.5. Приобретение знаний экспертов.

Основные результаты.

глава 4. программная реализация нечеткой экспертной системы анализа деятельности предприятия.

4.1. Основные задачи, реализуемые программным пакетом.

4.1.1. Требования к системе анализа деятельности предприятия.

4.1.2. Задачи, выполняемые подсистемой моделирования предприятия.

4.1.3. Требования к подсистеме приобретения знаний.

4.1.4. Технические и программные средства для создания и функционирования нечеткой экспертной системы.

4.2. Описание реализации системы.

4.2.1. Построение подсистемы анализа деятельности предприятия

4.2.2. Описание базы данных.

4.2.3. Проектирование подсистемы приобретения знаний.

4.3. Принципы функционирования нечеткой экспертной системы анализа деятельности предприятия.

4.3.1. Определение наименования модели предметной области деятельности предприятия.

4.3.2. Выделение и ввод понятий с отношениями между ними.

4.3.3. Ввод ситуации для выдачи рекомендаций по принятию решений и определение соответствующих ей понятий.

4.3.4. Генерация правил в нечеткой экспертной системе.

4.3.5. Анализ деятельности предприятия нечеткой экспертной системой.

Основные результаты.

Введение диссертации (часть автореферата) на тему «Разработка и исследование автоматизированных систем анализа деятельности предприятия с использованием семантических сетей»

Актуальность проблемы» настоящее время существует множество математических и программно-технических средств автоматизации исследования основной деятельности предприятий, связанных как с анализом текущего состояния производства, так и с планированием перспективы, егофазвития. Общая объединяющая идея большинства современных подходов в этой области предполагает использование моделей процессов в качестве средства проектирования модели предприятия. Исследование динамики производственных и экономических процессов при этом основано на рассмотрении теоретико-графовой сети, отражающей последовательности возможного изменения проблемных ситуаций, возникающих на предприятии. Результаты анализа деятельности предприятия являются, мотивационной< базой для принятия управленческих решений в бизнесе: При этом возникает проблема повышения^эффективности средств автоматизации анализа деятельности предприятий, позволяющих с достаточной точностью оценивать проблемные ситуации и выдавать обоснованные рекомендации для административного управления. На решение этой* проблемы направлена диссертационная работа.

Значительный вклад в развитие этой теории внесли многие отечественные и зарубежные ученые: Заде Л., Калянов Г.Н., Недосекин А.О., Поспелов Г.С., Поспелов Д.А., Саати Т., Шеер А.В., Юдицкий С. А. и др.

На современном этапе к проблемам автоматизации анализа деятельности предприятий можно отнести следующие.

1) Низкая эффективность выводов (результатов). Экспертные заключения носят шаблонный- характер: не учитываются все аспекты деятельности предприятий. Одинаковое значение производственного показателя для разных предприятий не всегда свидетельствует о схожем финансовом состоянии этих предприятий-. Кроме-этого, само» по себе полученное значение вряд ли может свидетельствовать * о том или ином изменении производственно-экономического состояния: имеет смысл сравнивать аналогичные показа6 тели за разные периоды времени, после чего делать вывод о динамике развития предприятия.

2) Отсутствие прогнозирования по результатам выполненного анализа. Отсутствуют конструктивные рекомендации для принятия необходимых решений для улучшения показателей деятельности.

3) Отсутствие возможности использования шаблонов для описания проблемных ситуаций предприятия (ПСП) в качестве вспомогательного средства при проектировании моделей предприятий.

4) Отсутствие учета значимости показателей. Значимость показателей является важным фактором при проведении комплексной оценки деятельности предприятия (например, при вычислении комплексных показателей, рейтинговой оценки и т.д.).

5) Отсутствие обучаемости. Системы не являются обучаемыми, не могут подстраиваться под требования1 эксперта для оценки результатов анализа.

6) Недостаточное агрегированние данных. Конечные пользователи нуждаются в агрегированной информации. Необходимость детального анализа информации возникает значительно реже.

Таким образом, использование формального подхода к построению модели предприятия для интеллектуального анализа его деятельности, а также описание предприятия посредством моделей ситуаций и рекомендаций для принятия решений является важной проблемой. Решение этой проблемы позволит упростить и сделать более эффективным автоматизированный анализ деятельности предприятия.

Цель работы. Целью диссертационной работы являются: разработка и анализ интеллектуальных программ аналитики деятельности предприятия на основе универсальных алгебр, теории семантических сетей и объектно-ориентированного подхода.

Задачи исследования формулируются следующим образом:

- разработка формальной модели предметной области (МПрО) деятельности предприятия,, используемой при- создании нечеткой экспертной1 системы, аналитики деятельности предприятия (НЭС АДП);

- создание модели предприятия, используемой для аналитики его деятельности- и выдачи рекомендаций^ по принятию управленческих решений: (РПУР);

- описание: механизмов логического вывода, используемых при анализе деятельностипредприятий;

- создание методики извлечения экспертных знаний!для формирования модели предприятия с целью повышения полноты полученных результатов;

- получение• проектных решений для- программной реализации, компонентов интеллектуальной аналитической системы. Методы исследований. Исследования осуществлялись на основе теории множеств, теории: универсальных; алгебр; теории: нечетких множеств; теории принятии: решений; методов; структурного и объектно-ориентированного программирования.

Научная новизна работы заключается в следующем.

Предложена принципиально новая: концепция генерации возможных альтернатив выбора рекомендаций' по принятию управленческих решений (РПУР) на основе анализа ситуаций, возникающих на предприятии. В основе концепции используется гипотеза о подобии, заключающаяся в получении РПУР и ПСП, понятийные пространства которых наиболее близко понятиям; использованным при описании заданной ситуации. В рамках предложенной концепции получены:

- методика построения МПрО предприятия с использованием семантической сети для информационно-рекомендательной.базы знаниш(БЗ) и моделей ситуаций; возникающих: на предприятии;

- принципы построения основанного на теории-принятия решений логического выводадля выбора'РПУР согласно заданной ПСП;

- методика поиска РПУР в БЗ;

- алгоритм определения веса ключевого понятия в найденной РПУР;

- алгоритм оценки РПУР согласно ключевым понятиям МПрО предприятия.

Практическая ценность работы; Результаты работы являются основой для проектирования интеллектуальных аналитических экспертных систем, применяемых для анализа деятельности предприятий. Предложенные в диссертации формализм и методы позволяют описать область деятельности предприятия, модель предприятия и модель деятельности предприятия, в результате чего повышается точность полученных результатов. Результаты диссертации нашли отражение в реальной программе НЭС АДП "Harpija" v.1.05., применяемой для интеллектуального анализа деятельности предприятия в соответствии с его областью деятельности. Разработанные методы и средства могут быть приняты за основу при создании интеллектуальных, аналитических систем, экспертных систем и систем управления знаниями, используемых для*комплексного1 анализа деятельности предприятия.

Достоверность основных положений и полученных результатов» диссертации подтверждается корректным использованием математического аппарата, компьютерным моделированием, действующей компьютерной программой и внедрением полученных результатов.

Реализация и внедрение. В рамках диссертационной работы был разработан и внедрен программный продукт - «Нечеткая экспертная система аналитики деятельности предприятия "Harpija" v. 1.04. (НЭС АДП "Harpija" v. 1.04), который имеет свидетельство об официальной регистрации программы для ЭВМ № 11822 в Отраслевом фонде алгоритмов и программ (ОФАП) и «Нечеткая экспертная система аналитики деятельности предприятия "Harpija" v.1.05. (НЭС АДП "Harpija" v.1.05), который имеет свидетельство об официальной регистрации программы для ЭВМ № 2008616067 в РОСПАТЕНТ. Научные и практические результаты диссертационной работы использованы в следующих организациях:

• региональная сеть аптек "Ригла", фирма города Рязани ООО «Алфавит-Здоровье»;

• региональная автозаправочная сеть ООО «Транс-Нефть»;

• Рязанский государственный радиотехнический университет (в учебном процессе для студентов специальностей 220400 «Программное обеспечение вычислительной техники и автоматизированных систем»; 080801 «Прикладная информатика в экономике»).

Апробация- работы. Основные результаты работы докладывались и 1 обсуждались на следующих конференциях: «Проблемы и методы управления экономической безопасностью регионов», Коломна: КГПИ, 2006.; «Проблемы и методы управления экономической безопасностью регионов» - Региональной научно-теоретической конференции в г. Рязань 2007; МНК "Национальная iэкономика в условиях глобализации: роль институтов" - СП-б, 2007; «Проблемы передачи и обработки информации в сетях и системах коммуникаций». 15-я МНТК - Рязань, РГРТУ, 2008; «НИТ-2008» - Рязань: РГРТУ, 2008; «VIII Всероссийская научно-техническая конференция: Проблемььин-форматики в образовании, управлении, экономике и технике» - Пенза, 2008; «VI Всероссийская* научно-техническая конференция: Искусственный интеллект в XXI веке и решения в условиях неопределенности» — Пенза, 2008.

Публикации по теме диссертации. По теме диссертации опубликовано 19 печатных работ, среди которых 9 статей, 3 из которых — в журналах, рекомендованных ВАК, 8 тезисов в материалах научных конференций и 2 свидетельства об официальной регистрации программы для ЭВМ в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам и Отраслевом фонде алгоритмов и программ.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы, изложенных на 148 е., а также приложений на 26 с. Список использованной литературы включает 125 наименований. Текст диссертации содержит 6 таблиц и 42 рисунка.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Крошилина, Светлана Владимировна

Основные результаты работы состоят в следующем.

1. Определены основные задачи и проблемы автоматизации анализа деятельности предприятия. Рассмотрены этапы аналитики деятельности предприятий в различных автоматизированных системах и выделены основные классы получаемых этими системами результатов. Проанализированы существующие аналитические системы и их недостатки, выявлены наиболее общие недостатки.

2. Сформулированы требования к новым проектируемым системам с учетом преимуществ и недостатков.существующих аналитических систем. Описаны функции экспертных систем, используемых для решения задач аналитики деятельности предприятий. Рассмотрены основные способы построения экспертной системы как элемента интеллектуальной аналитической системы. Описаны основные модели представления знаний, используемые при построении систем управления знаниями, выявлены их достоинства и недостатки. Сделан вывод о наибольшей универсальности и пригодности для проектирования модели представления знаний в НЭС АДП семантических сетей.

3. Определены нечеткие множества для обработки неопределенности и приблизительных рассуждений при создании модели знаний, описаны достоинства использования нечетких множеств в обработке модели знаний, а также определены нечеткие объекты для описания реальных ПрО для НЭС. Предложено оригинальное построение семантической сети НЭС АДП с использованием универсальной алгебры и нечетких множеств. В'НЭС АДП каждая модель строится на основе отдельной семантической сети. Модель может работать в нескольких ПрО, связанных или несвязанных между собой.

Сети объединяются в единую МПрО. Определены операции и отношения, на семантических сетях, а также на элементах семантической сети НЭС АДП, дающие возможность создавать новые, разбивать и объединять ранее построенные МПрО.

4. Описан новый механизм интеллектуального анализа деятельности предприятия, основанный на модели предприятия и модели действий предприятия. Он позволяет определить и ранжировать для проблемных ситуаций предприятия множество наиболее применимых РПУР. Предложены механизм формирования сетевой модели предприятия и принципиально новая архитектура модели предприятия для НЭС АДП, позволяющие наиболее адекватно отображать ПСП конкретного предприятия и выдавать рекомендации для принятия управленческих решений. Приведен алгоритм построения модели событий предприятия для НЭС АДП. Описаны две интерпретации модели событий предприятия: выбор РПУР и знакомство с ПрО. Описана.их структура и принципы организации. Модель событий предприятия позволяет увеличить эффективность и качество получаемых РПУР, упростить процесс ознакомления пользователя с ПрО, а также оптимизировать модель ПрО.

5. Рассмотрены ординарный и расширенный способы получения РПУР с применением модели предприятия на основе применения критери-ально-экстремизационных механизмов выбора и оценочной функции. Эти способы позволяют с высокой достоверностью получать наиболее точные и полезные РПУР, а также осуществлять их ранжирование. Разработан механизм формирования групп РПУР согласно ПСП на предприятии, приведен алгоритм поиска таких РПУР, дающий возможность образовывать ранжированные группы РПУР по ПСП.

6. Описаны требования, предъявляемые к построению НЭС АДП. Приведена архитектура построения НЭС АДП, определены ее составные элементы. Представлена новая методика описания ПрО на основе ПСП для выдачи РПУР и раскрывающего ее списка понятий. Описан способ построения подсистемы выбора рекомендаций и особенности работы нечеткой экспертной системы.

7. Программно реализована НЭС АДП "Harpija" v. 1.05, позволяющая эффективно и качественно производить анализ производственно-хозяйственной деятельности предприятий

Основные обозначения и сокращения

МС - Model Corporation (модель предприятия); БД - база данных; БЗ - база знаний;

ИИС - интеллектуальная информационная система; ИС - инструментальные средства; ЛП - лингвистический процессор; МЛВ - механизма логического вывода; МПрО - модель предметной области;

НЭС АДП - нечеткая экспертная система анализа деятельности предприятия;

ППП - пакетов прикладных программ;

ПрО - предметная область;

ПСП - проблемная ситуация предприятия;

РПУР - рекомендации по принятию управленческих решений;

СУЗ - системы управления знаниями;.

ЭС - экспертные системы.

Заключение

Выполненная диссертационная работа включает исследования, направленные на разработку математического й программного обеспечения1 для систем управления знаниями на основе семантических сетей для построения нечетких экспертных систем анализа деятельности предприятия.

Список литературы диссертационного исследования кандидат технических наук Крошилина, Светлана Владимировна, 2009 год

1. Adamo J.-M. Data mining for association rules and sequential patterns: sequential and parallel algorithms.-N.Y.; Berlin; Heidelberg: Springer, 2008

2. Bezdek, J.C., Keller, J., Krisnapuram, R., Pal, N.R. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing 2005, 776 p.

3. Chimay J. Anumba, Raja R.A. Issa, Jiayi Pan, Ivan Mutis. Ontology-based information and knowledge management in construction. Construction Innovation: Information, Process, Management, 2008 Volume: 8 Issue: 3 Page: 218-239

4. Didier Dubois & Henri Prade Fuzzy Set Modelling in Case-Based reasoning// International journal of intelligent systems. 1998. vol. 13, pp. 345 -373.

5. Dieter F. Ontology-Based Knowledge Management// IEEE Computer Society. -2002. №11.

6. Fridman A.; Oleynik A., FridmanO. Knowledge Integrating in Situative Modelling System for Nature-Technical Complexes. Proc. European Simulation and Modelling Conference (ESMc2004), Paris, France. 2004.

7. Gal Y., Pfeffer A. Networks of Influence Diagrams: A Formalism for Representing Agents' Beliefs and Decision-Making Processes// Journals of Artificial Intellegence Research, -2008, № 33.

8. Galda H. Development of segmentation method for dermoscopic images based on color clustering. Kobe University, Graduate school of science and technology. 2003. 79 p.

9. Hermann Helbig. Knowledge Representation and the Semantics of Natural Language, Springer, Berlin, Heidelberg, New York 2006

10. Hwang C., Rhee F.C-.H. Uncertain fuzzy clustering: interval type-2 fuzzy approach to c-means // IEEE Trans, on Fuzzy Systems. 2007. vol. 15. № 1. -P. 107-120.

11. Mendel Uncertain Rule-Based fuzzy logic systems: introduction and new direction, Prentice Hall, upper saddle river, NJ, 2001

12. Nasution B.B., Khan A.I., A Hierarchical Graph Neuron Scheme for RealTime Pattern Recognition, IEEE Transactions on Neural Networks. 2008, Feb, vol 19(2), 212-229.

13. Rossiter J. Fusing Partially Inconsistent Expert and Learnt Knowledge in Uncertain Hierarchies // Intelligent Data Engineering and Automated Learning, IDEAL2002, pp 80-86, 2002

14. Semantic Knowledge Management: An Ontology-based Framework (Premier Reference Source), 2008 458 p

15. Thomas D. Ndousse Intelligent Systems Modeling with Reusable Fuzzy Objects// International journal of intelligent systems. 1997. vol. 12, pp. 137 -152.

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

17. Базы знаний интеллектуальных систем* / Т.А. Гаврилова, В.Ф. Хорошевский СПб.: Питер, 2001.

18. Батыршин И.З. Основные операции нечеткой логики и их обобщения. -Казань: Отечество, 2001. 102 с. (http://fuzzyset.narod.ru/Book 2001 .htmlfl

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

20. Вениаминов Е.М., Ефимова Е.А. Элементы универсальной алгебры и ее приложений в информатике: Учебное пособие для вузов. М.: Научный мир, 2004. — 168 с.

21. Берестнева О.Г., Добрянская Р.Г., Муратова Е.А. Применение технологии Data Mining для прогнозирования исхода родов// Сборник докладов XII Всероссийской конференции Математические методы распознавания образов ММРО-12. М., 2005.26.