Методы и средства построения информационных хранилищ при автоматизированном проектировании

Содержание
Введение.
Глава 1. Обзор работ и практических реализаций, посвященных интеллектуальному анализу данных и представлению нечетких данных в
системах управления базами данных.
1.1 .Задача анализа данных
1.2.Обзор моделей и реализаций нечетких БД
1.3. Обзор методов интеллектуального анализа данных для решения задачи кластеризации и классификации.
1.3.1. Гипотеза компактности.
1.3.2. Г ипотеза А компактности.
1 АДСМметод и его модификации
1.4.1. ДСМметод.
1.4.2.ДСМметод автоматического порождения гипотез ДСМАПГ 1.5. Примеры систем извлечения знаний из данных.
1.5.1. Предметноориентированные аналитические системы.
1.5.2. Статистические пакеты.
1.5.3. Системы на основе моделей нейронных сетей.
1.5.4. Системы, использующие рассуждения на основе прецедентов.
1.5.5. Системы, использующие деревья решений.
1.5.6. Системы, использующие эволюционное программирование.
1.5.7. Системы на основе генетических алгоритмов.
1.5.8. Систехмы, использующие алгоритмы ограниченного перебора
1.6 Обзор программных реализаций i.
1.6.1. ii i
1.6.2. I Ii i.
1.6.3. i
1.6.4. i ii iii i v 2
1.6.5. ii
1.6.6. 1С Предприятие.
1.6.7. Ро1уапа1уБ1.
1.6.8.Краткий обзор свободно распространяемых продуктов
1.7. Стандарты и спецификации, используемые при определении архитектур систем извлечения знаний из данных.
1.7.1. Стандарты.
1.7.2. Языки спецификации задач извлечения знаний
1.8.Вывод ы
Глава 2. Математические методы анализа нечетких данных.
2.1. Нечеткая кластеризация
2.1.1. Задача нечеткой кластеризации.
2.1.2.Общая формальная постановка задачи нечеткого кластерного анализа.
2.1.3. Уточненная постановка задачи нечеткой кластеризации.
2.1.4. Алгоритм решения задачи нечеткой кластеризации методом нечетких ссредних БСМ
2.1.5. Гибридный алгоритм нечеткой кластеризации.
2.2. Нечеткая реляционная модель данных
2.3. Нечеткая кластеризация с помощью нейронных сетей
2.3.1. Алгоритм решения задачи нечеткой кластеризации методом сети Кохонена
2.4. Поиск зависимостей на нечетких данных с помощью нечетких нейронных сетей разных архитектур
2.4.1. Нечеткие нейронные сети
2.4.2. Структура нечеткой сети АОТВ.
2.4.3. Гибридный алгоритм обучения адаптивных сетей.
2.4.4. Гибридный алгоритм обучения АЛГВ.
2.4.5. Генерация нечетких правил
2.4.6. Гибридная нечеткая нейронная сеть
2.4.7. Обучение гибридной сети
2.5.Вывод ы.
Глава 3. Структурнофункциональное решение i
3.1 Описание нечеткого реляционного сервера данных
3.1.1. Выбор инструментальных средств и технологий
3.1.2. Информационная структура служебных таблиц представления нечетких данных.
3.1.3 Функциональное решение
3.1.4. Требования к установке системы.
3.2. Реализация модуля кластеризации
3.2.1 Реализация алгоритма гибридной кластеризации
3.2.2. Реализация алгоритма Кохонена
3.2.3. Выходные формы.
3.3 Реализация гибридной нечеткой нейронной сети
3.3.1. Оперативная структура хранения.
3.3.2. Внешняя структура храпения.
3.3.3. Описание структур хранения.
3.3.4 Модуль реализации гибридной нечеткой нейронной сети
3.3.5. Выходные формы.
3.4.Общая структура программного комплекса i.
3.5.Вывод ы.
Глава 4. Название
4.1 Задача анализа социологической базы данных
4.1.1 Постановка задачи.
4.1.2 Результаты анализа
4.2 Задача структуризации информационных ресурсов.
4.2.1 .Постановка задачи
4.2.2. Интеллектуальная система поддержки принятия решений структура и функции.
4.2.3. Проведение эксперимента
4.2.4. Структурирование информационных ресурсов ФНПЦ ОАО
4.3. Анализ эффективности ИСППР
4.4 Выводы
Заключение.
Библиографический список.
Приложения.
Введение
Обшая характеристика работы. Проектирование сложных технических изделий выполняется в наши дни распределенным коллективом проектировщиков, использующих информационные технологии и работающих в условиях развитой корпоративной сети. Результатом работы разрозненных коллективов проектировщиков является информационное хранилище, содержащее архивы старых проектных решений, текущие проекты, электронные описания проектов, файлы стандартов и правил. Международные стандарты 0 требуют от предприятий иметь полное электронное представление изделий, причем фактически данные представления не всегда структурированы и часто представляют собой неупорядоченный один или несколько информационных ресурсов. Проведение структуризации неупорядоченного набора файлов возможно только при участии эксперта, который знает специфику всех направлений деятельности проектного подразделения и имеет представление о тематике старых архивных проектов.
Актуальность