3 / 13
Интеллектуальный метод анализа для автоматизированного прогнозирования…
Инженерный журнал: наука и инновации
# 2
2016 3
Действенным инструментом решения задач послесеансного анализа
считают технологию выявления скрытых взаимосвязей внутри больших
баз данных — Data Mining (в технических приложениях — Inductive
Learning). Ее появление связано в первую очередь с необходимостью
аналитической обработки сверхбольших объемов информации, накап-
ливаемых в хранилищах данных. В настоящее время наибольшие
успехи применения интеллектуального анализа достигнуты в экономи-
ческих, биологических, химических приложениях и в задачах по
формированию и принятию решений в сложных структурах.
Традиционный анализ состояния КА построен на использовании
алгоритмов, которые создают квалифицированные специалисты или
эксперты, ответственные за создание КА или его составной части. В
результате появляется набор правил, ограничений и граничных условий,
который ложится в основу математической модели КА или его
составных частей. Возможна ситуация, когда этот набор изменяется
(как правило, в сторону нарастания), при этом увеличивается объем
работы. В результате происходит уточнение и усложнение модели.
Анализ состояния КА (как объекта моделирования) возможен только
после создания соответствующей модели, подлежащая в обязательном
порядке верификации.
Принципиальным отличием интеллектуального анализа данных от
традиционных алгоритмов является методология создания моделей.
Системы интеллектуального анализа строят модели объекта автомати-
чески, на базе информации о нормальном поведении объекта. Для
калибровки или настройки системы необходимо задать определенное
количество точек нормальных данных или состояний.
Основные преимущества интеллектуальных систем анализа по
сравнению с традиционными алгоритмическими моделями заклю-
чаются в следующем:
— отсутствие предварительно заданных знаний (значений) о работе
системы;
— определение соотношений между параметрами проводится без
системного анализа;
— высокая скорость реакции на появление аномалии — фактически
в темпе поступления ТМИ;
— модель поведения имеет небольшие объемы и позволяет вести
работу в режиме реального времени;
— устанавливают и отслеживают взаимосвязь между большим
количеством ТМП;
— обнаруживают единичные и комплексные отклонения;
— автоматически обрабатывают и набирают необходимую
информацию;
— учитывают поступающие данные о нормальном поведении
системы и обновляют ранее построенную модель поведения.