决策支持系统与人工智能课件.ppt
2023/3/15,课件编写：肖洪生,1,第6章 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,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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；,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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6.2,2023/3/15,课件编写：肖洪生,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,2023/3/15,课件编写：肖洪生,7,数据采集,知识获取,用户,模型设计,DBDBMS,MBMBMS,KBKBMS,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,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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；,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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；,2023/3/15,课件编写：肖洪生,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%；,2023/3/15,课件编写：肖洪生,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.,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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。,2023/3/15,课件编写：肖洪生,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络收敛，故由此可以排除不相关数据。,2023/3/15,课件编写：肖洪生,28,神经网络的反向传播算法（B-P算法）B-P算法是最常用的神经网的络学习算法，其基本原理如下：神经网络对一组特定的输入产生期望的输出，可通过网络不断地调整连线的权值来实现。其主要步骤有：全部连线的初始权值为较小的随机数；输入一组训练数据，计算网络输出值；计算此输出值与期望值之间的偏差，从 输出层反向计算至第一隐含层，向着减 少偏差的方向调整权值；对训练集中的每一组数据都重复上面步 骤、，直至整个训练集中的偏差 最小为止。,2023/3/15,课件编写：肖洪生,29,3.遗传算法 神经网络有局部极小化问题，遗传算法是全局最优算法。遗传算法（Genetic AlgorithmGA）：是借助于生物界自然选择和自然遗传机制的随机化搜索算法，适用于传统搜索算法难以解决的非线性复杂问题。两个数据转换：表现型到基因型编码、基因型到表现型译码，上一对互逆操作；遗传算法是：“生成+检测”的迭代搜索算法，其算法流程如图6.8所示：,2023/3/15,课件编写：肖洪生,30,编码和初始群体生成,群体中个体适应度的检测评估,选择,交叉,变异,图6.8 遗传算法的基本流程,遗传算法的三个基本算法：1、选择，2、交叉，3、变异；遗传算法的5个基本参数是：1.参数编码2.初始群体的设定、3.适应度函数的设计4.遗传操作设计5.控制参数设计,P157举例：三个决策变量、每个变量两个取值，四种经营策略，如何编码、适应度列表、，自行阅读之,
