1、2020/8/4，課件編寫：肖宏生，1，第6章決策支持系統(tǒng)與人工智能，課時(shí)：2重點(diǎn)：決策支持系統(tǒng)概念數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)專家系統(tǒng)與人工智能難點(diǎn)：數(shù)據(jù)倉庫與數(shù)據(jù)挖掘，2020/8/4，課件編寫：肖宏生，2，6.1決策支持系統(tǒng)決策支持系統(tǒng)，1，6.1決策要從設(shè)定目標(biāo)、收集信息、探索比較方案等多方面進(jìn)行，管理信息系統(tǒng)難以滿足要求；結(jié)構(gòu)化決策是：目標(biāo)和規(guī)則明確，管理信息系統(tǒng)能有效支持決策各階段的工作；半結(jié)構(gòu)化決策是指目標(biāo)不明確，多目標(biāo)沖突，方案選擇規(guī)則不明確，管理信息系統(tǒng)不能完全支持決策問題。在實(shí)踐中，存在許多半結(jié)構(gòu)決策問題。2020/8/4，課件制作：肖宏生，3。對(duì)決策支持系統(tǒng)的理解有幾種觀點(diǎn)；廣

2、義決策支持系統(tǒng)是跨學(xué)科的，采用高科技手段解決半決策問題，強(qiáng)調(diào)“人機(jī)”交互，收集信息和數(shù)據(jù)，幫助決策層設(shè)定目標(biāo)、建立模型、分析、比較和優(yōu)化方案等。狹義決策支持系統(tǒng)是一個(gè)“人機(jī)”系統(tǒng)，它使用數(shù)據(jù)、模型、方法和知識(shí)推理來做出半結(jié)構(gòu)化的決策；“支持”不是替代品，它只起輔助作用。2.決策支持系統(tǒng)的特點(diǎn)是面向決策層，幫助決策層對(duì)數(shù)據(jù)進(jìn)行分析和設(shè)計(jì)；決策者起主導(dǎo)作用，決策支持系統(tǒng)應(yīng)考慮用戶的特點(diǎn)，如行業(yè)要求、決策者的知識(shí)背景和愛好；決策支持系統(tǒng)主要解決半結(jié)構(gòu)化決策問題；“支持”而不是取代它；模型和用戶根據(jù)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)共同驅(qū)動(dòng)未來的基于知識(shí)的推理，并同時(shí)積累它們；決策支持系統(tǒng)的基礎(chǔ)是數(shù)據(jù)庫、模型庫、方法

3、庫和知識(shí)庫。強(qiáng)調(diào)“人機(jī)”互動(dòng)；推理規(guī)則；2020/8/4，課件制作：肖宏生，4，3，決策支持系統(tǒng)與管理信息系統(tǒng)的區(qū)別決策支持系統(tǒng)與管理信息系統(tǒng)的關(guān)系是決策支持系統(tǒng)的基礎(chǔ)，管理信息系統(tǒng)主要面向結(jié)構(gòu)化決策，決策支持系統(tǒng)主要面向半結(jié)構(gòu)化決策；決策支持系統(tǒng)與管理信息系統(tǒng)的區(qū)別在于，決策支持系統(tǒng)主要面向中高層決策層，進(jìn)行半結(jié)構(gòu)化決策。它與管理信息系統(tǒng)的區(qū)別在于：管理信息系統(tǒng)用于日常業(yè)務(wù)，決策支持系統(tǒng)用于管理目標(biāo)和決策；管理信息系統(tǒng)追求過程優(yōu)化，決策支持系統(tǒng)追求可行方案，不要求優(yōu)化；管理信息系統(tǒng)需要一個(gè)穩(wěn)定的工作環(huán)境，以確保正常的日常業(yè)務(wù)；管理信息系統(tǒng)強(qiáng)調(diào)系統(tǒng)、客觀、科學(xué)和最優(yōu)，而決策支持系統(tǒng)強(qiáng)調(diào)經(jīng)驗(yàn)、判

4、斷和創(chuàng)造。管理信息系統(tǒng)由數(shù)據(jù)驅(qū)動(dòng)，決策支持系統(tǒng)由模型和用戶驅(qū)動(dòng)。管理信息系統(tǒng)需要盡可能少的人為干預(yù)，決策支持系統(tǒng)需要更多的“人機(jī)”對(duì)話，強(qiáng)調(diào)“人”的作用；管理信息系統(tǒng)反映全局，決策支持系統(tǒng)反映決策者的需求。2020/8/4，課件編寫：肖宏生，5，4，決策支持系統(tǒng)智能決策支持系統(tǒng)知識(shí)工程人工智能專家系統(tǒng)的開發(fā)，為處理不確定性和事實(shí)領(lǐng)域的問題提供了技術(shù)保障；群體決策支持系統(tǒng)從個(gè)體決策支持系統(tǒng)發(fā)展到群體決策支持系統(tǒng)，運(yùn)行環(huán)境升級(jí)，在決策上優(yōu)于個(gè)體決策支持系統(tǒng)；面向行為的決策支持系統(tǒng)用“行為科學(xué)”來指導(dǎo)和支持決策者，而不是用信息科學(xué)來支持決策，這是未來決策支持系統(tǒng)發(fā)展的主要方向。5.決策支持系統(tǒng)的框架

5、結(jié)構(gòu)是數(shù)據(jù)庫和模型庫。見圖6.1智能決策支持系統(tǒng)框架，圖6.2，2020年8月4日。課件制作：肖宏生，6。數(shù)據(jù)庫數(shù)據(jù)庫，模型庫管理系統(tǒng)，模型庫管理系統(tǒng)MBMS，用戶界面，用戶，數(shù)據(jù)庫管理系統(tǒng)DBMS，圖6.1 DDM框架結(jié)構(gòu)-雙庫結(jié)構(gòu)，2020年8月4日。課件制作：肖宏生。Ddbms，mbmbms，kbkbms，加工控制系統(tǒng)，分析與評(píng)價(jià)系統(tǒng)，自動(dòng)推理機(jī)，智能用戶界面，圖6.2智能決策支持系統(tǒng)框架，2020年8月4日，課件編寫：肖宏生，8月8日，6.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘，1。數(shù)據(jù)倉庫的定義和特征集成歷史數(shù)據(jù)收集和處理的信息組織；這些歷史數(shù)據(jù)可以從多個(gè)信息系統(tǒng)環(huán)境中收集和整理，在決策中起到輔助作用

6、。其特點(diǎn)是：根據(jù)企業(yè)關(guān)心的話題收集和整理數(shù)據(jù)；整合從不同數(shù)據(jù)環(huán)境收集的數(shù)據(jù)，并根據(jù)內(nèi)容統(tǒng)一格式，如名稱轉(zhuǎn)換、度量統(tǒng)一、結(jié)構(gòu)編碼和物理屬性一致性處理等。時(shí)變性體現(xiàn)在以下幾個(gè)方面：數(shù)據(jù)倉庫中的數(shù)據(jù)就像一段時(shí)間內(nèi)的第一季度；倉庫中的數(shù)據(jù)具有相同的關(guān)鍵結(jié)構(gòu)，其中包含時(shí)間因素；在記錄期間，倉庫中的數(shù)據(jù)一旦被記錄，就不能被更新；非活動(dòng)倉庫中的數(shù)據(jù)不能修改或刪除，只能在數(shù)據(jù)整理和初始化時(shí)修改。通常，使用倉庫中的數(shù)據(jù)不會(huì)影響它。2020年8月4日課件制作：肖宏生，9月2日數(shù)據(jù)倉庫中的數(shù)據(jù)結(jié)構(gòu)分為以下幾個(gè)層次：當(dāng)前正在發(fā)生的詳細(xì)數(shù)據(jù)和用戶感興趣的數(shù)據(jù)。在倉庫的底部，數(shù)量是巨大的；復(fù)雜管理；歷史詳細(xì)數(shù)據(jù)以統(tǒng)一格式

7、存儲(chǔ)(外部存儲(chǔ))，訪問頻率低，但相當(dāng)于當(dāng)前數(shù)據(jù)的詳細(xì)程度；從當(dāng)前詳細(xì)數(shù)據(jù)中提取的數(shù)據(jù)與時(shí)間段、內(nèi)容和屬性相關(guān)；高度概括的數(shù)據(jù)高度壓縮且易于訪問的數(shù)據(jù)，經(jīng)常被倉庫頂部的外部世界引用。不能被超級(jí)數(shù)據(jù)操作環(huán)境直接提取的數(shù)據(jù)被超級(jí)數(shù)據(jù)轉(zhuǎn)換和引導(dǎo)。2020年8月4日，課件寫作：肖宏生，10，3，數(shù)據(jù)流從操作環(huán)境進(jìn)入當(dāng)前數(shù)據(jù)倉庫的詳細(xì)層；從低到高，數(shù)據(jù)被匯總、刪除或刪除；訓(xùn)練數(shù)據(jù)進(jìn)入中高層后，其余根據(jù)時(shí)間的推移進(jìn)入歷史數(shù)據(jù)的詳細(xì)層次；當(dāng)前的詳細(xì)數(shù)據(jù)被粗略繪制和高度繪制以供外部參考，過時(shí)的數(shù)據(jù)進(jìn)入歷史詳細(xì)數(shù)據(jù)層。4.數(shù)據(jù)倉庫的使用高層數(shù)據(jù)使用頻繁；歷史數(shù)據(jù)使用頻率低；2020年8月4日，課件編寫：肖宏生，1

8、1月5日，數(shù)據(jù)挖掘的應(yīng)用數(shù)據(jù)挖掘從大量數(shù)據(jù)中提取有效、新穎和潛在有用知識(shí)的過程，數(shù)據(jù)挖掘的目的是提高市場(chǎng)決策能力，發(fā)現(xiàn)異常模式，并根據(jù)過去的經(jīng)驗(yàn)預(yù)測(cè)未來；傳統(tǒng)的決策知識(shí)庫和規(guī)則是從外部人工輸入的。在數(shù)據(jù)挖掘中，從系統(tǒng)內(nèi)部獲取的知識(shí)是從大量數(shù)據(jù)中挖掘出來的；對(duì)于清晰的決策信息，通過查詢、聯(lián)想機(jī)器分析或其他分析工具獲取知識(shí)；隱藏在大量數(shù)據(jù)中的關(guān)系和趨勢(shì)等信息需要通過數(shù)據(jù)挖掘來獲取。2020/8/4，課件制作：肖宏生，12，(1)數(shù)據(jù)挖掘過程中數(shù)據(jù)準(zhǔn)備、挖掘操作和結(jié)果表達(dá)的集成：多數(shù)據(jù)庫環(huán)境下的數(shù)據(jù)合并，解決語義歧義，處理遺漏和清理臟數(shù)據(jù)；選擇：識(shí)別所需數(shù)據(jù)，縮小處理范圍，提高質(zhì)量；預(yù)處理：克服局限

9、性；數(shù)據(jù)挖掘假設(shè)：系統(tǒng)產(chǎn)生假設(shè)發(fā)現(xiàn)數(shù)據(jù)挖掘；用戶依靠經(jīng)驗(yàn)生成基于假設(shè)的數(shù)據(jù)挖掘；選擇合適的工具；挖掘知識(shí)的操作；確認(rèn)發(fā)現(xiàn)的知識(shí)；2020/8/4，課件制作：肖宏生，13，結(jié)果的表達(dá)與解釋分析提取的信息，區(qū)分最有價(jià)值的信息，并通過決策支持工具提供給決策者。當(dāng)你不能決定用什么的時(shí)候，重新挖掘。(2)數(shù)據(jù)挖掘的典型分析方法在類型和規(guī)模上有所不同，使用不同的分析方法分析同一事件中不同項(xiàng)目的相關(guān)性：例如，在超市，70%的顧客購(gòu)買牙膏，90%的顧客同時(shí)購(gòu)買牙刷！記錄為：牙膏=牙刷或：關(guān)聯(lián)規(guī)則甲=乙可信度丙=同時(shí)購(gòu)買甲和乙的人數(shù)/只購(gòu)買甲的人數(shù)；支持人數(shù)=同時(shí)購(gòu)買甲或乙的人數(shù)/客戶總數(shù)；那么：甲=乙的關(guān)聯(lián)規(guī)

10、則是丙=90%，硫=70%；2020/8/4，課件制作：肖宏生，14。序列分析搜索事件之間的時(shí)間相關(guān)性，例如：在超市中，60%的顧客購(gòu)買了甲類商品后，80%的顧客會(huì)在一段時(shí)間后再次購(gòu)買乙類商品。可信度C=先買甲后買乙的人數(shù)/只買甲的人數(shù)；支持度S=連續(xù)購(gòu)買甲或乙的人數(shù)/客戶總數(shù)；然后：甲=乙序列模式丙=80%，硫=60%；分類分析對(duì)數(shù)據(jù)庫中的記錄進(jìn)行分類和標(biāo)記，形成訓(xùn)練集；分析訓(xùn)練集，找出分類規(guī)則，然后使用該規(guī)則對(duì)其他數(shù)據(jù)庫中的所有記錄進(jìn)行分類；聚類分析根據(jù)一定的分類規(guī)則對(duì)記錄集進(jìn)行劃分，并將數(shù)據(jù)庫中的每條記錄收集到相應(yīng)的集合中。2020年8月4日，課件編輯：肖宏生，15。(3)數(shù)據(jù)挖掘的常用

11、技術(shù)是基于人工智能、數(shù)據(jù)庫、數(shù)理統(tǒng)計(jì)等決策樹將訓(xùn)練集劃分為一組規(guī)則，并從一組規(guī)則中逐步將其劃分為多級(jí)子集，形成樹形結(jié)構(gòu)；人工神經(jīng)網(wǎng)絡(luò)模仿生物神經(jīng)網(wǎng)絡(luò)，快速擬合非線性數(shù)據(jù)；屬于非線性預(yù)測(cè)模型；遺傳算法基于生物進(jìn)化的概念，通過基因組合、交叉、變異和自然選擇設(shè)計(jì)了一系列優(yōu)化過程；簡(jiǎn)單貝葉斯獨(dú)立事件概率統(tǒng)計(jì)只適用于分類問題；限制無條件數(shù)據(jù)的輸入；模糊集和粗糙集利用這一理論來搜索、分類和歸類數(shù)據(jù)。2020/8/4，課件制作：肖宏生，16，(4)數(shù)據(jù)挖掘在政府決策、企業(yè)運(yùn)營(yíng)、企業(yè)戰(zhàn)略決策等方面的應(yīng)用。如：用神經(jīng)網(wǎng)絡(luò)或統(tǒng)計(jì)回歸模型預(yù)測(cè)財(cái)務(wù)決策，分析各種投資方向的相關(guān)數(shù)據(jù)，選擇最佳投資方向；保險(xiǎn)決策是基于數(shù)據(jù)

12、倉庫的，在線分析處理和數(shù)據(jù)挖掘是預(yù)測(cè)客戶保險(xiǎn)模式和構(gòu)建保險(xiǎn)決策支持系統(tǒng)的工具。2020年8月4日，課件制作：肖宏生，7月6日，基于數(shù)據(jù)倉庫的決策支持系統(tǒng)的結(jié)構(gòu)化管理信息系統(tǒng)在結(jié)構(gòu)化事務(wù)處理方面非常成功，但無法應(yīng)對(duì)半結(jié)構(gòu)化決策。決策支持系統(tǒng)主要提供半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策人機(jī)交互系統(tǒng)，以支持決策，有效彌補(bǔ)管理信息系統(tǒng)的不足；傳統(tǒng)的決策支持系統(tǒng)和管理信息系統(tǒng)都是基于相同的數(shù)據(jù)，難以快速、有效、科學(xué)地支持決策。數(shù)據(jù)倉庫以數(shù)據(jù)庫為基礎(chǔ)，集成、存儲(chǔ)、提取和維護(hù)不同數(shù)據(jù)源提供的數(shù)據(jù)，以支持高層決策。2020年8月4日，課件制作：肖宏生，18，1?，F(xiàn)有決策支持系統(tǒng)的結(jié)構(gòu)和缺點(diǎn)如下圖6.3和6.4所示：人機(jī)交

13、互系統(tǒng)、模型庫管理系統(tǒng)、模型庫、數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫、用戶，圖6.3傳統(tǒng)決策支持系統(tǒng)結(jié)構(gòu)、人機(jī)交互系統(tǒng)、模型庫。知識(shí)庫管理系統(tǒng)推理機(jī)，知識(shí)庫，圖6.4介紹了決策支持系統(tǒng)的知識(shí)推理結(jié)構(gòu)，用戶，數(shù)據(jù)庫管理系統(tǒng)，數(shù)據(jù)庫，2020/8/4，課件編寫：肖宏生，19?，F(xiàn)有決策支持系統(tǒng)的缺點(diǎn)主要體現(xiàn)在：處理能力差，處理能力強(qiáng)，分析能力差；數(shù)據(jù)質(zhì)量差，日常原始數(shù)據(jù)分散，格式不統(tǒng)一，存取效率低；缺乏技術(shù)支持和相應(yīng)的工具；知識(shí)推理是困難的。2.數(shù)據(jù)倉庫的特點(diǎn)和數(shù)據(jù)倉庫的結(jié)構(gòu)數(shù)據(jù)倉庫的主要功能是：從作戰(zhàn)數(shù)據(jù)庫中提取決策所需的數(shù)據(jù)，將分散的、難以訪問的作戰(zhàn)數(shù)據(jù)轉(zhuǎn)化為集中的、統(tǒng)一的、易于獲取的數(shù)據(jù)信息，提高數(shù)據(jù)信息處

14、理的速度和效率。2020年8月4日，數(shù)據(jù)倉庫的體系結(jié)構(gòu)從許多不同的數(shù)據(jù)源中提取數(shù)據(jù)，將它們轉(zhuǎn)換成統(tǒng)一的格式，并將它們集成在一起形成一個(gè)數(shù)據(jù)倉庫。當(dāng)用戶做出決策時(shí)，他們會(huì)從數(shù)據(jù)倉庫中查詢所需的信息。數(shù)據(jù)倉庫的基本架構(gòu)如圖6.5所示。2020年8月4日課件編譯：肖宏生，21歲，關(guān)系數(shù)據(jù)庫，數(shù)據(jù)文件，其他，數(shù)據(jù)倉庫管理工具，抽取，轉(zhuǎn)換，加載，元數(shù)據(jù)數(shù)據(jù)庫，數(shù)據(jù)建模工具，綜合數(shù)據(jù)，當(dāng)前數(shù)據(jù)，歷史數(shù)據(jù)，用戶查詢工具，C/S工具，OLAP工具，DM工具，數(shù)據(jù)倉庫，分析工具，2020年8月4日課件編譯：肖宏生，22，3?；跀?shù)據(jù)倉庫的決策支持系統(tǒng)結(jié)構(gòu)數(shù)據(jù)倉庫從各種數(shù)據(jù)源中提取、轉(zhuǎn)換和集成數(shù)據(jù)，形成統(tǒng)一穩(wěn)定的

15、決策數(shù)據(jù)；在數(shù)據(jù)倉庫的基礎(chǔ)上，OLAP和數(shù)據(jù)挖掘特別適合于決策分析。OLAP主要采用時(shí)間序列趨勢(shì)分析、視圖輪換、深度訪問等多維分析方法。以便發(fā)現(xiàn)趨勢(shì)；數(shù)據(jù)挖掘主要從大型數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)模式，預(yù)測(cè)趨勢(shì)和行為，并提供有價(jià)值的信息。在數(shù)據(jù)倉庫的基礎(chǔ)上，結(jié)合OLAP和數(shù)據(jù)挖掘分析工具，開發(fā)了一個(gè)新的決策支持系統(tǒng)，對(duì)倉庫中的數(shù)據(jù)進(jìn)行跨主題的在線分析，以便及時(shí)準(zhǔn)確地進(jìn)行決策；決策支持系統(tǒng)的結(jié)構(gòu)如圖6.6所示。2020/8/4，課件編寫：肖宏生，23，人機(jī)交互系統(tǒng)，知識(shí)庫管理系統(tǒng)推理機(jī)知識(shí)庫，模型庫管理系統(tǒng)模型庫，決策信息知識(shí)信息，數(shù)據(jù)倉庫管理系統(tǒng)數(shù)據(jù)倉庫，數(shù)據(jù)提取，轉(zhuǎn)換和加載(數(shù)據(jù)采集)，數(shù)據(jù)庫管理系統(tǒng)數(shù)

16、據(jù)庫，數(shù)據(jù)挖掘工具，OLAP工具，圖6.6基于數(shù)據(jù)倉庫的決策支持系統(tǒng)，2020年8月4日，課件編寫：肖宏生，24，6.3人工智能，1。專家系統(tǒng)是利用知識(shí)推理過程解決復(fù)雜問題的計(jì)算機(jī)智能程序，它由五大部分組成：知識(shí)獲取收集人類專家的成功案例和經(jīng)驗(yàn)，總結(jié)其本質(zhì)并構(gòu)成知識(shí)；對(duì)知識(shí)庫進(jìn)行分類，形成知識(shí)庫(由規(guī)則庫和數(shù)據(jù)庫組成)；知識(shí)庫管理系統(tǒng)的程序處理；推理機(jī)制判斷規(guī)則被編程；用戶界面。2020/8/4，課件制作：肖宏生，25/2，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的缺點(diǎn)是由于專家的建立和使用，難以推廣。神經(jīng)網(wǎng)絡(luò)方法的基本原理是根據(jù)人腦的活動(dòng)原理構(gòu)建數(shù)據(jù)驅(qū)動(dòng)的非線性模型；組成部分有：神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型和網(wǎng)絡(luò)學(xué)

17、習(xí)算法；神經(jīng)元連接模型是：輸入層、中間層和輸出層有三層神經(jīng)元，相鄰層之間有帶權(quán)值的連線；當(dāng)神經(jīng)網(wǎng)絡(luò)工作時(shí)，首先需要學(xué)習(xí)和訓(xùn)練，即神經(jīng)元連接不斷調(diào)整自身的權(quán)值，以使神經(jīng)網(wǎng)絡(luò)的輸出值和期望值之間的方差最小。學(xué)習(xí)效果直接影響預(yù)測(cè)精度。2020/8/4，課件編寫：肖宏生，26，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的多輸入一輸出的函數(shù)關(guān)系：xi=wixi-1伊斯=f(xi)在上式中，si為反饋信息，wi為權(quán)重，f為特征函數(shù)，yi為神經(jīng)元輸出；根據(jù)不同的輸入輸出特性，選擇不同的特征函數(shù)。常用的線性函數(shù)、Sigmoid函數(shù)、雙曲正切函數(shù)等。2020年8月4日課件制作：肖宏生，27歲，神經(jīng)網(wǎng)絡(luò)連接模型，多個(gè)神經(jīng)元連接成一個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)有幾種連接形式，包括單層、多層和環(huán)形連接；學(xué)習(xí)算法使用一組輸入向量，采用預(yù)定的算法，并緩慢地調(diào)整網(wǎng)絡(luò)的權(quán)重以產(chǎn)生一組期望的輸出向量。由于神經(jīng)網(wǎng)絡(luò)的非線性關(guān)系，變量之間的關(guān)系隱藏在網(wǎng)絡(luò)系統(tǒng)中，網(wǎng)絡(luò)不能在無關(guān)數(shù)據(jù)之間收斂，因此可以排除無關(guān)數(shù)據(jù)。2020/8/4，課件編寫：肖宏生，28，神經(jīng)網(wǎng)絡(luò)反向傳播算法(B-P算法)B-P算法是神經(jīng)網(wǎng)絡(luò)中最常用的網(wǎng)絡(luò)學(xué)習(xí)算法，其基本原理如下：神經(jīng)網(wǎng)絡(luò)為特