Статья

Название статьи ТРАНСФОРМАЦИЯ ЛИНГВИСТИЧЕСКОГО ОПИСАНИЯ ЗАКОНОМЕРНОСТЕЙ В ДАННЫХ МОНИТОРИНГА В ГИБРИДНЫЙ ПАТТЕРН ЭКСПЕРТНОЙ СИСТЕМЫ
Автор Е.С. Стариков, Л.И. Сучкова
Рубрика РАЗДЕЛ IV. МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ
Месяц, год 06, 2017
Индекс УДК 004.8
DOI
Аннотация Описывается лингвистический метод формализации экспертных знаний и транс-формация экспертного описания закономерностей в гибридный паттерн механизма при-нятия решений экспертной системы. Приведены особенности разработанного специализи-рованного языка для описания темпоральных событий на объекте мониторинга. Порож-дающая грамматика языка является модификацией универсальной темпоральной грамматики и позволяет оперировать с нечеткими данными. Модификация заключается в упрощенном описании многоуровневых закономерностей в данных, в предоставлении эксперту возможности описывать новые алгоритмы обработки временных рядов, а также рассмотрения операций над нечеткими данными. Рассмотрен принцип идентификации состояния объекта контроля с применением матричного паттерна поведения группы временных рядов, приведено краткое описание его компонентов. Показано, что для обеспечения интеграции новых знаний в экспертную систему, основанную на паттернах поведения временных рядов, необходимо осуществить трансформацию лингвистического описания закономерностей, наблюдаемых в данных мониторинга, в паттерн экспертной системы, непосредственно применяемый для принятия решений. Для этой цели разработаны средства лексического, синтаксического и семантического анализа. Для хранения информации об объектах, описываемых с помощью темпоральной грамматики, разработана древовидная структура данных. Она является основой для реализации синтаксически ориентированного перевода в гибридный паттерн. Приведено описание семантической информации, необходимой для осуществления конвертации в паттерн всех объектов, используемых для описания темпоральных закономерностей в данных. Рассмотрен укрупнённый алгоритм конвертации семантических узлов в структуры, входящие в состав гибридного паттерна поведения и пример синтаксически управляемого перевода. Разработанный метод трансформации экспертных знаний в гибридный паттерн позволяет автоматизировать выявление закономерностей в данных и автоматически интегрировать новые знания в экспертную систему.

Скачать в PDF

Ключевые слова Лингвистическое описание закономерностей; паттерн поведения; закономерности в данных; термы лингвистических переменных; экспертная система; темпоральная грамматика.
Библиографический список 1. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. – М.: Мир, 1974. – 406 с.
2. Павлов С.И. Системы искусственного интеллекта: учеб. пособие. – Томск: Томский го-сударственный университет систем управления и радиоэлектроники, 2011. – Ч. 1. – 175 с. – ISBN 978-5-4332-0013-5. – URL: http://biblioclub.ru/index.php?page=book&id=208933.
3. Batyrshin I., Sheremetov L., Herrera-Avelar R., Suarez R. Mining Fuzzy Association Rules and Networks in Time Series Databases // International Conference on Fuzzy Sets and Soft Computing in Economics and Finance, FSSCEF 2004, St. Petersburg, Russia, 2004.
4. Батыршин И.З., Недосекин А.О., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / под ред. Н.Г. Ярушкиной. – М.: Физ-матлит, 2007. – 207 с.
5. Parsaye K.A. Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. – 1998. – No. 1.
6. Ярушкина Н.Г., Афанасьева Т.В., Перфильева И.Г. Интеллектуальный анализ временных рядов: учеб. пособие. – Ульяновск: УлГТУ, 2010. – 320 с.
7. Moёrchen F., Ultsch A. Mining Hierarchical Temporal Patterns in Multivariate Time Series // In: Biundo, S., Fruhwirth, T., Palm, G. (eds.), KI 2004. Advances in Artificial Intelligence, Proceedings 27th Annual German Conference in AI, Ulm, Germany, Springer, Heidelberg, 2004. – P. 127-140. – URL: http://www.mybytes.de/papers/moerchen04mining.pdf.
8. Guimaraes G., Ultch A. A method for temporal knowledge conversion // Proc. of the 3rd Int. Symp.on Advances in Intelligent Data Analysys, Amsterdam, Springer. – P. 369-380.
9. Batyrshin I., Sheremetov L., Herrera-Avelar R., Panova A. Moving approximation transform and local trend associations in time series databases // Perception-based Data Mining and De-cision Making in Economics and Finance. Series: Studies in Computational Intelligence.
– Springer, 2007. – Vol. 36. – P. 55-83.
10. Batyrshin I., Sheremetov L. Towards perception based time series data mining // in: BISCSE’2005, University of California, Berkeley, USA, 2005. – P. 106-107.
11. Batyrshin I.Z., Sheremetov L.B. Perception based associations in time series data bases // Pro-ceedings of NAFIPS, 2006.
12. Batyrshin I., Sheremetov L. Perception based time series data mining for decision making // IFSA’07 Theoretical Advances and Applications of Fuzzy Logic. – P. 209-219.
13. Ковалев С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем // Известия вузов: Северо-Кавказский регион. Есте-ственные науки. – 2002. – № 2. – С. 10-13.
14. Ковалев С.М. Гибридные нечетко-темпоральные модели временных рядов в задачах анализа и идентификации слабо формализованных процессов // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник трудов IV международной научно-практической конференции. В 2-х т. Т. 1. – М.: Физматлит, 2007. – 354 с.
15. Ultch A. A unification-based grammar for the description of com-plex patterns in multivariate time series. – Germany, 1996.
16. Стариков Е.С., Сучкова Л.И., Корешков Ю.Н., Корешкова А.А. Универсальный подход к описанию и использованию экспертной информации в системах мониторинга на базе паттернов поведения // Ползуновский альманах. – 2015. – № 1. – С. 31-35.
17. Сучкова Л.И. Алгоритмическое обеспечение мониторинга нештатных состояний объекта контроля на основе многомерных паттернов // Известия АГУ. – № 1/2/2013. – C. 118-122.
18. Сучкова Л.И., Чумаков И.А., Якунин А.Г. Идентификация воздействий в приборах охраны упреждающего типа: монография. – Doitschland, Saarbrücken, Palmarium Academic Publishing, 2013. – 181 c.
19. Стариков Е.С., Сучкова Л.И. Гибридно-лингвистический паттерн как средство описания темпоральных аспектов слабоструктурированных процессов в системах мониторинга // Международное периодическое издание «Научные труды Sworld». № 4/41/2015. – Ива-ново, 2015. – С. 23-26.
20. Höppner F. Discovery of temporal patterns – learning rules about the qualitative behavior of time series // In: Proc. of the 5th European Conference on Principles and Practice of Knowledge Discovery in Databases, Lecture Notes in Artificial Intelligence 2168, Springer, 2001. – P. 192-203.
21. Ultch A. Unification Based Temporal Grammar. In: Technical Re-port No. 37, Philipps-University Marburg, Germany, 2004.
22. Mörchen F., Ultsch А. Mining Hierarchical Temporal Patterns in Multivariate Time Series.
– Режим доступа: http://citeseerx.ist.psu.edu/viewdoc/download.
23. Сучкова Л.И., Стариков Е.С. К вопросу о методе выявления закономерностей в данных мониторинга // Материалы 14 Международной конференции «Измерение, контроль, ин-форматизация». – Барнаул: АлтГТУ, 2013. – С. 155-157.
24. Стариков Е.С. Формализация описания закономерностей в группах временных рядов // Сборник по результатам XXI заочной научной конференции «Международный научно-исследовательский журнал». – Екатеринбург, 2013. – № 11 (18). – Ч. 1. – С. 131-132.
25. Starikov E.S., Suchkova L.I. Modification universal temporal grammar for the description of the legitimacies in data // Academic science-problems and achiewments X vol. 1 spc Academic. – USA, North Charleston, 2016. – P. 63-65.

Comments are closed.