资源预览内容
第1页 / 共30页
第2页 / 共30页
第3页 / 共30页
第4页 / 共30页
第5页 / 共30页
第6页 / 共30页
第7页 / 共30页
第8页 / 共30页
第9页 / 共30页
第10页 / 共30页
亲,该文档总共30页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
1,决策支持系统与人工智能,学时:2 重点:决策支持系统的概念 数据仓库与数据挖掘技术 专家系统与人工智能 难点:数据仓库与数据挖掘,2,6.1 决策支持系统Decision Support SystemDSS,1、概念 MIS在事务管理层能很好地满足实际需要; 决策则要从制定目标、收集信息、方案探索与比较多个方面进行,MIS难以满足要求; 结构化决策是:目标、规则均明确,MIS可有效支持决策各个阶段的工作; 半结构化决策是:目标不清晰、多目标 冲突,方案选择规则不清楚,MIS不能 完全支持决策问题。 实际中,半结构决策问题较多。,3,对DSS的理解有几种观点; 广义DSS多学科交叉、高技术手段运用,解决半决策化问题,强调“人机”交互,收集信息数据,帮助决策层制定目标、建立模型、方案分析、比较、优化等; 狭义DSS利用数据、模型、方法、知识推理进行半结构化决策的“人机”系统; “支持”不是代替,仅起辅助作用。 2、DSS的特点 面向决策层帮助决策层惧资料,进行分析、 设计;决策人员起主导作用,DSS要考虑用户的 特点,如行业要求、决策人员的知识背景、爱好等; DSS主要解决半结构化决策问题; “支持”而不代替; 模型与用户共同驱动根据历史数据、当前数 据,对未来进行基于知识的推理, 同时积累;DSS 的基础是数据库、模型库、方法库、知识库; 强调“人机”交互; 推理规则;,4,3、DSS与MIS的区别 DSS与MIS的联系MIS是DSS的基础,MIS主要面对结构化决策,DSS主要面对半结构化决策; DSS与MIS的区别DSS主要面对中、高决策层,进行半结构化决策,与MIS在如下几个方面有区别: MIS用于日常业务,DSS用于管理目标与决策; MIS追求过程最优,DSS追求可行方案,不要求最优; MIS要求工作环境稳定,保障日常业务正常; MIS强调系统、客观、科学、最优,DSS强 调经验、判断、创造; MIS是数据驱动、DSS是模型与用户共同驱动; MIS希望尽量少的人为干扰,DSS要求更多的 “人机”会话,强调“人”的作用; MIS体现全局、整体,DSS体现决策人的需要。,5,4、DSS的发展 智能化DSS知识工程+人工智能+专家系统,为处理不确事实上性领域的问题提供技术保证; 群体DSS从个体DSS发展到群体DSS,操作环境升级,比个体DSS在决策更为优越; 行为导向DSS利用“行为科学”来引导、支持决策者,而不仅仅用信息科学来支持决策,这是今后DSS发展的主要方向。 5、DSS的框架结构 Data Base、Model Base两库结构; 见图6.1 智能DSS框架,见图6.2,6,数据库DB,模型库MB,模型库管理系统 MBMS,用户接口,用 户,数据库管理系统 DBMS,图6.1 DDM框架结构两库结构,7,数据 采集,知识 获取,用户,模型设计,DB DBMS,MB MBMS,KB KBMS,处理控制系统,分析评价系统,自动推理机,智能化用户接口,图6.2 智能DSS框架结构,8,6.2 数据仓库与数据挖掘,1、数据仓库定义与特征对历史数据进行集成化收集与处理的信息机构;这些历史数据可以从多个信息系统环境中收集并整理,对决策起辅助任作用其特征是: 面向主题按企业关心的主题进行数据收集与整理; 集成化从不同数据环境中收集的数据,能按内容进行格式统一,如名字转换、度量统一、结构编码 与物理属性一致处理等; 时变性体现在如下几方面 数据仓库中的数据是一段时间上如一季度)的表现; 仓中数据具有相同的键结构、其中包含时间因素; 在记录周期内,仓中数据一旦记录后则不能更新; 非活性仓中数据不能修改、删除,只有 整理、初始化数据时才能修改,通常使用仓 中数据不会影响。,9,2、数据仓库结构仓中数据分为如下几个层次 当前详细数据当前发生、用户感兴趣的数据。处于仓库底层,数量庞大;管理复杂; 历史详细数据统一格式存储(外存)、存取频率低,但与当前数据详细水平相当; 轻度概略数据从当前详细数据中提练出来的数据,与时间段、内容、属性有关; 高度概略数据高度压缩、容易存取 的数据,在仓库最上层,常被外界引用。 超数据操作环境不能直接提取的数 据,由超数据进行转换、引导。,10,3、数据流程 从操作环境进入数据仓库当前详细层; 从低到高,数据被概略化,或取走、或删除; 提练数据进入中、高层后,其余按时间推移进入历史数据详细层; 当前详细数据轻度概略高度概略外界引用,过时数据进入历史详细数据层。 4、数据仓库的使用 高层数据被使用的频率高; 历史数据使用频率低;,11,5、数据挖掘(Data MiningDM)技术应用,DM从大量的数据中抽取有效的、新颖的、潜在有用的知识的过程 DM的目的提高市场决策能力,检测异常模式、在过去的经验基础上预测未来; 传统决策知识库、规则是人为外部输入的;DM中,从系统内部获取知识从大量 数据中挖掘出来的; 对明确的决策信息,通过查询、联想机分 析分析或其它分析工具获取知识; 对隐藏在大量数据中的关系、趋势等信息, 则需要通过数据挖掘来获取。,12,(1)数据挖掘过程数据准备、挖掘操作、结果表达 数据准备 集成:从多库环境中进行数据合并,解决语义模糊,处理遗漏、清洗脏数据; 选择:辨别需要的数据,缩小处理范围、提高质量; 预处理:克服局限性; 数据挖掘 假设:系统产生假设发现型的数据挖 掘;用户靠经验产生假设验证型数据挖 掘; 选择合适工具; 挖掘知识的操作; 证实发现的知识;,13,结果表达和解释 对提取的信息进行分析,区分出最有价值的信息,通过决策支持工具交给决策者。不能决策所用时,重新进行挖掘。 (2)数据挖掘典型的分析方法问题类型、规模不同,采用不同的分析方法 关联分析同一事件中的不同项的关联性: 如:超市中,有70%的顾客买牙膏,其中有90% 的顾客同时会买牙刷! 记为:牙膏=牙刷 或: 关联规则 A=B 可信度C=同时买A、B的人数/只买A的人数; 支持度S=同时购买A或B的人数/总顾客人数; 则:A=B关联规则是 C=90%, S=70%;,14,序列分析搜寻事件之间在时间上的关联性 如:超市中,有60%的顾客买A商品后,过一段时间有80% 的顾客会再买B商品 可信度C=先买A、后买B的人数/只买A的人数; 支持度S=先后购买A或B的人数/总顾客人数; 则:A=B序列模式 C=80%, S=60%; 分类分析 对数据库中记录分类并标记,组成训练集; 对训练集进行分析,求出分类规则,再用此规 则对其它数据库中所有记录进行分类; 聚类分析 根据一定的分类规则,划分记录集,将数据库 中每条记录聚集在相应的集合之中.,15,(3)数据挖掘常用的技术人工智能为基础、数据库、数理统计等 决策树将训练集划分成一组规则,从一个集合逐步划分成多层次的子集,开成树形结构; 人工神经网络模仿生物神经网络,对非线性数据快速拟合;属于非线性预测模型; 遗传算法基于生物进化的概念,设计一系列过程进行优化,通过基因组合、交叉、变异和自然 选择的方式进行; 简单贝叶斯独立事件概率统计,仅适用 于分类问题;对无条件数据限制其输入; 模糊和粗集用此理论进行数据查、排序、 分类。,16,(4)数据挖掘的应用政府决策、商业经营、企业战略决策等,如: 金融决策用神经网络或统计回归模型预测,对各种投资方向的有关数据进行分析,选择最佳投资方向; 保险决策以数据仓库为基础,联机分析处理、数据挖掘为工具,预测顾客保险 模式,建成保险决策支持系统。,17,6、基于数据仓库的DSS的结构 MIS在结构化事务处理方面非常成功,对半结构化决策力不从心。 DSS主要提供对半结构化、非结构化决策的人机交互系统,支持决策,有效地弥补MIS的不足; 传统的DSS与MIS建立在相同的数据基础上,难以快速、有效、科学地支持决策; 数据仓库在数据库的基础上,将异库、 异地数据源提供的数据进行整合 集成、存储、提取、维护,以支持高 层决策。,18,1、现有DSS的结构与不足 现有DSS的结构如下图6.3、6.4所示:,人机交互系统,模型库管理 系统、模型库,数据库管理 系统、数据库,用户,图6.3 传统DSS结构,人机交互系统,模型库管理 系统、模型库,知识库管理系统 推理机、知识库,图6.4 引入知识推理的DSS结构,用户,数据库管理 系统、数据库,19,现有DSS的不足主要体现在: 加工能力差处理能力强,分析能力差; 数据质量差日常原始数据,散乱、格式不统一, 访问效率低; 技术支持与相应工具缺乏; 知识推理困难。 2、数据仓库的特征和休系结构 DW的主要功能是:将决策所需数据从营运数 据库中提取出来,将分散、访问困难的营运 数据转化为集中、统一、随时可用的数据信 息,同时提高数据信息处理的速度与效率。,20,数据仓库的技术特征 面向管理、集成综合、历史数据、随时间推移; 以业务数据为数据源,提练、加工、汇总、整理,以适应应用需求; 支持多种复杂数据的综合应用和综合性管理决策。 数据仓库的体系结构 从多个不同的数据源提取数据、经转换为统一格式后集成,构成数据仓库; 用户决策时,从数据仓库查询所需信息; 数据仓库的基本体系结构如图6.5所示。,21,关系数据库,数据文件,其它,数据仓库 管理工具,抽取、转 换、装载,元数据库,数据建模 工具,综合数据,当前数据,历史数据,用户查询 工具,C/S 工具,OLAP 工具,DM 工具,图6.5 数据仓库的基本体系结构,数据源,仓库管理,数据仓库,分析工具,22,3.基于数据仓库的DSS结构 数据仓库从多种数据源中抽取、转化、集成,形成统一、稳定的决策所用数据; 在数据仓库基础上,OLAP(联机分析处理)、DM(数据模型)两种分析工具特别适合于决策分析; OLAP主要采用时序趋势分析、视图旋转、深入访问等多维分析方法,从而发现趋势,; DM则主要从大型数据集中发现数据模式, 预测趋势和行为,提有价值的信息,; 在数据仓库的基础上,结合OLAP与DM分 析工具,开发新型DSS,对仓中数据进 行跨主题的在线分析,供及时、准确 决策;其DSS结构如图6.6所示。,23,人机交互系统,知识库管理系统 推理机 知识库,模型库管理系统 模型库,决策信息 知识 信息,数据仓库管理系统 数据仓库,数据抽取、转换和装载(数据采集),数据库管理系统 数据库,DM工具,OLAP工具,用户,图6.6 基于数据仓库的决策支持系统,24,6.3 人工智能,1、专家系统(Expert SystemES) 利用知识推理过程解决复杂问题的计算机智能程序,良要由五大部分组成: 知识获取收集人类专家的成功案例、经验,归纳其中的精华、构成知识; 知识库分类整理,形成知识库 (由规则库、数据库组成); 知识库管理系统程序化处理; 推理机构判断规则程序化; 用户接口用户界面。,25,2、神经网络 专家系统的缺点是:专家建立、专家使用,难以推广。 神经网络方法的基本原理 按照人类大脑的活动原理,构造数据驱动的非线性模型; 组成要素为:神经元结构模型、网络连接模型、网络学习算法; 神经元连接模型是:输入层、中间层、输 出层共3层神经元,相邻层之间有带权值 的线连接; 神经网络工作时,要先进行学习、训练 即神经元连接不断调整自身的权值, 使神经网络的输出值与期望值的方差最小。 学习效果好坏直接影响预测精度。,26,神经网络结构模型 多个输入,一个输出之间的函数关系: xi=wixi-1+si yi=f(xi) 上式中,si为反馈信息,wi为权值,f为特性函数,yi为神经元的输出; 根据输入、输出特性的不同,选择不 同的特性函数。 常用特性函数的线性函数、 Sigmoid函数、双曲正切函数等。,27,神经网络的连接模型 多个神经元连接成一个网络,具体有单层、多层、循环连接几种连接形式; 学习算法 用一组输入向量,采用预先确定的算法,慢慢调整网络的权值,使之产生一组期望的 输出向量,由于神经网络的非线性关 系,各变量的关系隐含于网络系统之 中,无关数据之间不能使
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号