Файл: Чувашский государственный университет имени И. Н. Ульянова Кафедра прикладной физики и нанотехнологий data mining в научных исследованиях.ppt

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

Постановка задачи работы

Содержание работы

Проведение научных исследований с помощью средств
Data Mining.
Представление результатов научных исследований с помощью средств
Data Mining.

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

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.

Пример части биологической нейронной сети

Схема биологического нейрона

---

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).

Виды искусственных нейронных сетей

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

Схема создания модели

Сбор экспериментальных данных по ВАХ различных ЛЦУ-АМН

Структура ИНС

Определение соответствующей собранной базе данных структуры ИНС и проведение обучения.

Один из экранов полученной вычислительной модели

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

Вычислительная модель эксплуатации солнечной электростанции. Исходные данные

Вычислительная модель эксплуатации солнечной электростанции. Структура ИНС

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

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.

Вычислительная модель горения катализированных топлив. Экран модели

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 http://mfi.chuvsu.ru/opros/ База знаний семейных отношений в России. Подробнее результаты работы по созданию многофакторных вычислительных моделей в области семейных отношений - на сайте http://www.chuvsu.ru/2008/proekt.html

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.

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

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

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.

Наши контакты

Чувашский государственный университет, корп. 1, каф. прикладной физики и нанотехнологий ул. Университетская, 38, комн. 225
Тел. 8352-455600 доб.3602
Fax: 8352-452403
E-mail: abrukov@yandex.ru
Спасибо за внимание!

---