Чувашский государственный университет имени И. Н. Ульянова Кафедра прикладной физики и нанотехнологий DATA MINING В НАУЧНЫХ ИССЛЕДОВАНИЯХ В.С. АБРУКОВ, - презентация

1 Чувашский государственный университет имени И. Н. Ульянова Кафедра прикладной физики и нанотехнологий DATA MINING В НАУЧНЫХ ИССЛЕДОВАНИЯХ В.С. АБРУКОВ, С.В. АБРУКОВ, А.В. СМИРНОВ, Е.В. КАРЛОВИЧ

2 Постановка задачи работы

3 Содержание работы Проведение научных исследований с помощью средств Data Mining. Представление результатов научных исследований с помощью средств Data Mining.

4 Data Mining ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ Искусственные нейронные сети (ИНС) Самоорганизующиеся карты Кохонена Деревья решений и другие средства ИНС играют ведущую роль при создании многофакторных вычислительных моделей экспериментальных данных ИНС - единственно возможные «аппроксиматоры» многомерных экспериментальных функций

5 Искусственные нейронные сети В основе - теорема Колмогорова – Арнольда, адаптированная применительно к ИНС теоремой Хехт-Нильсена ИНС позволяют использовать разнородные данные (качественные и количественные), «непредставительные» (неполные) выборки, анализировать сильно нелинейные связи. Реальный компьютерный эмулятор ИНС, работает (вычисляет) как обычная компьютерная программа. Разница в том, что создание ИНС основано не на программировании с помощью какого-либо языка, а на использовании процедуры обучения на наборе примеров (таблице примеров, базе данных примеров). ИНС применяются в трех случаях: Когда невозможно аналитическое описание задачи. Когда аналитическое описание возможно, но нет алгоритма его решения. Пример - уравнение Шредингера или дифференциальное уравнение распространения волны горения. Когда аналитическое описание возможно и есть алгоритм ее решения, но нет времени для программной реализации алгоритма.

6 Пример части биологической нейронной сети

7 Схема биологического нейрона

8 Схема искусственного нейрона Искусственный нейрон состоит из входов, синапсов, сумматора, аксона, нелинейного преобразователя (функции активации). Здесь: xi - компоненты входного вектора (входные данные); wi - веса синапса (i = 1..., n); S - результат суммирования; Y – передаточный сигнал нейрона; F - нелинейный преобразователь (функция активации).

9 Виды искусственных нейронных сетей

10 Вычислительная модель вольтамперной характеристики (ВАХ) наноплёнок линейно- цепочечного углерода (ЛЦУ) с внедрёнными в них атомами металлов и неметаллов (ЛЦУ АМН) Модели позволяют на основе обобщения закономерностей, содержащихся в экспериментальных данных «мгновенно» вычислять ВАХ ЛЦУ АМН для самых разнообразных вариантов внедрения атомов в ЛЦУ

11 Схема создания модели Сбор экспериментальных данных по ВАХ различных ЛЦУ- АМН

12 Структура ИНС Определение соответствующей собранной базе данных структуры ИНС и проведение обучения.

13 Один из экранов полученной вычислительной модели

14

15

16 Экраны «базы знаний» вольтамперных характеристик (приведена только малая часть информации содержащаяся в базе знаний)

17 Вычислительная модель эксплуатации солнечной электростанции. Исходные данные

18 Вычислительная модель эксплуатации солнечной электростанции. Структура ИНС

19 модель, может мгновенно вычислить и представить в виде графиков несколько десятков, существенно отличающихся друг от друга, случаев эксплуатации солнечной электростанции при различных метеоусловиях и выдать прогноз на оптимальные условия эксплуатации солнечной электростанции. Вычислительная модель эксплуатации солнечной электростанции. Экраны модели

20 Вычислительная модель эксплуатации солнечной электростанции. Характеристика Модель мгновенно вычисляет и представляет в виде графиков несколько десятков случаев эксплуатации солнечной электростанции при различных метеоусловиях и выдает прогноз на оптимальные условия эксплуатации.

21 Вычислительная модель горения катализированных топлив. Экран модели

22 Вычислительная модель образовательного процесса в вузе. Экран модели Подробнее результаты работы по созданию разнообразных многофакторных вычислительных моделей в области создания интеллектуальной системы поддержки принятия решений и управления вузом представлены на сайте

23 База знаний семейных отношений в России. Подробнее результаты работы по созданию многофакторных вычислительных моделей в области семейных отношений - на сайте

24 Литература Neural Networks for Instrumentation, Measurement and Related Industrial Applications (2003) (Нейронные сети для измерительных устройств, измерений и промышленных применений). Proceedings of the NATO Advanced Study Institute on Neural Networks for Instrumentation, Measurement, and Related Industrial Applications (9-20 October 2001, Crema, Italy)/ ed. by Sergey Ablameyko, Liviu Goras, Marco Gori and Vincenzo Piuri, IOS Press, Series 3: Computer and Systems Sciences – Vol. 185, Amsterdam.

25 Заключение. Научные исследования Методы интеллектуального анализа данных - это новый подход к проведению фундаментальных и прикладных научных исследований Его достоинства заключаются в следующем: - возможность создания многофакторных моделей эксперимента - возможность решения как прямых, так и обратных задач - возможность прогнозирования результатов еще не проведенных экспериментов

26 Заключение. Представление результатов научных исследований Методы интеллектуального анализа данных - это возможность реализации нового подхода к представлению результатов научных исследований в научных журналах и отчетах НИР в виде прилагаемого к статье компьютерного исполняемого модуля многофакторной вычислительной модели экспериментальных данных. Его достоинства в следующем: - возможность представления результатов эксперимента в наиболее полном и компактном виде - возможность для читателя ознакомится со всеми закономерностями, содержащимися в экспериментальных данных, а не только с теми, которые представлены авторами статьи или отчета по НИР - возможность построения читателем своих сценариев анализа экспериментальных данных и проверке качества эксперимента

27 Заключение. Перспективы. Методы интеллектуального анализа данных - это перспектива нового подхода к задачам обработки экспериментальных данных, которые в некоторых случаях являются обязательными элементами экспериментальных работ и которые могут быть более точно решены с помощью искусственных нейронных сетей. Среди них можно отметить, например, задачу нахождения касательной к экспериментальному графику и координаты точки ее пересечения с осью абсцисс, а также задачи нахождения координат точек пересечения экспериментальных графиков с осью ординат или абсцисс, а также другие задачи нахождения особенностей экспериментальных данных.

28 Наши контакты Чувашский государственный университет, корп. 1, каф. прикладной физики и нанотехнологий ул. Университетская, 38, комн. 225 Тел доб.3602 Fax: Спасибо за внимание!