автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация процесса проектирования систем баз данных промышленных предприятий

На правах рукописи

ШэньЯнь

00348Э1 го

«Автоматизация процесса проектирования систем баз данных промышленных предприятий»

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 7 ДЕК 2009

Москва - 2009

003489178

Работа выполнена в Московском автомобильно-дорожном институте (государственном техническом университете)

Научный руководитель

Официальные оппоненты

Кандидат технических наук, доцент Будихин Анатолий Владимирович, доцент МАДИ(ГТУ) Доктор технических наук, профессор Суворов Дмитрий Наумович, профессор МАДИ (ГТУ)

Кандидат технических наук, Подпорин Дмитрий Игоревич, зам генерального директора ООО «МП» РОБОТ » г. Москва

Ведущая организация: Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АН), г. Москва.

Защита состоится 28 декабря 2009г. в 10 часов на заседании диссертационного совета Д.212.126.05 при Московском автомобильно-дорожном институте (государственном техническом университете) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.

С диссертацией можно ознакомиться в библиотеке МАДИ (ГТУ)

Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического университета): www.madi.ru

Автореферат разослан 26 ноября 2009г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института

Ученый секретарь диссертационного совета,

кандидат технических наук, доцент

Михайлова Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы.

Большие объемы и сложность потоков оперативной и статистической информации при планировании, учете и контроле функционирования производства в РФ и КНР предполагают использование интегрированных банков данных (БнД) в составе автоматизированных систем обработки данных (АСОД) для организационно-административного управления, а также методов и средств автоматизации решения задач управления в промышленности и на транспорте.

Дальнейшее развитие автоматизированных систем управления (АСУ) и АСОД различного назначения, повышение требований к средствам взаимодействия конечных пользователей с информационными системами привели к созданию новой информационной технологии, основанной на концепции использования методов и средств искусственного интеллекта, таких, как экспертные системы (ЭС) и системы поддержки принятия решений. Новая информационная технология предполагает эффективное использование баз данных (БД) посредством интеллектуального интерфейса как составной части интеллектуальных БнД или баз знаний (БЗ).

Большое значение для эффективного использования данных, хранимых в БД, имеет адекватность представления предметной области (ПО) - множества отображаемых типов объектов и взаимосвязей между ними некоторой области реального мира в структуре БД на этапе ее проектирования, выбор её рациональной структуры с учетом возможности обновления при изменении ПО.

В то же время процесс проектирования БД на этапе анализа ПО и концептуального моделирования остается эмпирическим и слабо автоматизируемым. Окончательный выбор концептуальной схемы (КС), отражающей семантику ПО и разрабатываемой на основе

понятий выбранной модели данных (МД), зависит от умения и опыта разработчика БД различать и отбирать явления ПО, объекты и связи (количества которых достигают сотен и тысяч), формировать и описывать классы объектов, устанавливать ассоциации между ними и т.д., а также оценивать качество проекта. Процесс проектирования БД на этих этапах слабо поддается формализации и автоматизированная поддержка этих видов работ невелика. Отсутствует законченная методика проектирования и реализации, охватывающая весь жизненный цикл системы обработки данных. Не решены многие задачи, связанные с проектированием распределенных БД в РИВС, в частности, сбором исходных данных, проектированием информационной базы и распределением БД по узлам сети. Для решения этих задач имеющийся объективной неформализованной информации оказывается явно недостаточно. В этих условиях привлекается дополнительная субъективная информация -индивидуальные суждения высококвалифицированных специалистов (экспертов), повышается роль этой информации, а также выдвигаются новые требования к методам и средствам ее обработки и к обоснованности решений, принимаемых с ее использованием. Следовательно, существует возможность решения данных неформализованных задач с помощью современных средств и методов искусственного интеллекта. Существующие же методики проектирования БД не предусматривают ка сегодняшний день использование и развитие для данных целей инструментальных средств искусственного интеллекта.

Таким образом, разработка методов и средств автоматизации и интеллектуализации процесса проектирования БД является актуальной задачей.

Целью диссертационной работы является разработка методов и средств автоматизации и интеллектуализации процесса проектирования фактографических баз данных организационно-административного типа

на концептуальном уровне.

Объектом исследования является процесс проектирования фактографических систем баз данных промышленных предприятий сложной структуры и большой размерности.

Для достижения поставленной цели в диссертационной работе решены следующие основные задачи:

1. Разработана методика проектирования баз данных, основанная на использовании инструментальных средств искусственного интеллекта.

2. Разработаны методы и алгоритмы анализа и синтеза элементов концептуальных моделей предметных областей.

3. Разработаны архитектура и принципы построения экспертной системы для проектирования баз данных.

4. Разработан макет экспертной системы для проектирования баз данных.

Методы исследования. Результаты диссертационной работы получены на основе комплексного использования теории нечетких множеств, теории отношений, методов кластерного анализа, теории распознавания образов, математического программирования, методов и положений теории интеллектуальных систем, теории информации.

Научная новизна. В диссертационной работе получены новые научные результаты:

- разработана методика проектирования БД с использованием интеллектуальных средств;

- разработаны методы и алгоритмы нечеткой классификации и структурирования элементов концептуальных моделей ПО; предложены мера сходства, функции принадлежности элементов концептуальных моделей классам, целевой функционал качества разбиения;

- разработана архитектура ЭС и ее наполнение для проектирования баз данных.

- разработана и реализована в среде ПРОЛОГа расширенная модель "сущность-категория-связь".

Практическая ценность:

- разработан комплекс программ анализа элементов концептуальных моделей ПО;

- разработан макет ЭС для проектирования БД;

предложена методика использования макета ЭС, основанная на опыте его практического применения;

проведена разработка ряда прикладных систем БД с использованием макета экспертной системы.

Реализация результатов работы в промышленности. Разработанный макет ЭС для проектирования БД и комплекс программ анализа элементов концептуальных моделей ПО внедрен на предприятии ЗАО «СТРОЙСТАНДАРТ ПЛЮС» и использовался для проектирования ряда систем БД.

Макет ЭС внедрен в учебный процесс на кафедре "Автоматизированные системы управления" Московского автомобильно-дорожного института (Государственного технического университета) и используется для проведения лабораторных работ по курсам "Базы данных" и "Проектирование интеллектуальных систем".

Внедрение результатов диссертационной работы позволило сократить сроки выполнения работ по проектированию БД в среднем на 14 %, снизить трудоемкость на 10 - 20 % за счет повышения уровня автоматизации и интеллектуализации проектирования БД на концептуальном и логическом уровнях, обеспечить сокращение численности коллектива разработчиков, повысить качество описания информационных требований пользователей.

Апробация работы. Основные научные положения и результаты диссертации докладывались и обсуждались на заседаниях кафедры

«Автоматизированные системы управления» МАДИ (ГТУ) в 2005-2009 годах, на научно-методических конференциях МАДИ (ГТУ) (Москва, 2006-2009 годы), а также на международной конференции «Информационные и телекоммуникационные технологии в интеллектуальных системах».

На защиту выносятся следующие результаты:

1. Методика проектирования БД с использованием интеллектуальных средств.

2. Методы и алгоритмы анализа и синтеза элементов концептуальных моделей.

3. Архитектура экспертной системы для проектирования БД.

4. Реализация в среде Пролог основных компонентов экспертной системы.

Публикации. Материалы диссертации отражены в 5(пять) печатных работах.

Объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность решаемой проблемы, формулируются цели и задачи исследования, проводится аналитический обзор работ в области проектирования баз данных и баз знаний. Указывается логическая связь изложения отдельных частей диссертации, приводятся основные результаты, полученные в каждой главе.

В первой главе проведен подробный анализ методов и алгоритмов проектирования БД. Проанализированы особенности интеллектуальных систем проектирования БД и БЗ и процесса разработки информационных

систем с их использованием. Предложена методика проектирования систем БД с использованием интеллектуальных средств на концептуальном и логическом уровнях, учитывающая состав задач и требования к процессу проектирования БД, сформулированные в работе (Рис. 1). В рассматриваемой методике предусмотрено использование базы знаний о процессе проектирования БД как составной части экспертной системы. Предлагаемая методика не зависит от конкретной разновидности концептуальной модели (КМ) ПО и модели данных, используемой на этапах логического и физического проектирования, и включает следующие основные шаги: формирование множества приложений проблемной области реального мира, каждая из которых представляется Декартовым произведением конечного множества задач и пользователей приложений, построение набора моделей пользователей по каждой задаче, определение моделей приложений через объединение моделей взаимодействия пользователей с задачами и модели проблемной области, концептуализация модели предметной области, представляемой множествами объектов и взаимосвязей ПО, получение, кластеризованной концептуальной модели через добавление в нее описаний категорий как результатов применения механизмов абстракции, устранение распознанных несогласованностей, двусмысленностей, синонимов, омонимов и т.д., оценивание качества КС с использованием правил верификации КМ ПО, концептуализация запросов пользователей в связи с полученной КМ ПО, проектирование логической модели целевого типа и соответствующего множества транзакций на основании правил логического проектирования БД, физическая реализация БД согласно СУБД-ориентированной модели данных и программного окружения. Проведенный анализ методов и алгоритмов процесса проектирования БД и методов представления знаний позволил выделить основные задачи, возникающие при проектировании систем БД с

по

ЕЯ-интерфейс

Формулирование и сбор требований

В нмшяя модель

Анализи синтез КМ ПО

Концептуальное моделирование

Р1

Словарь и правила п острсения ЕЯ-диалога

Б'З

Правила поддержки модели

НачапьнмКМ ПО

Концептуальная кластеризация

¥2

Кластеризованная КМПО

В ери ф I каци я КМ ПО

КМПО

Преобразование в ЛМ

Логическое проектирование

Бз

¥4 Т5

Правила концептуальной кластеризации

Правила оценивания КС

Правила логического проектирования БД

мд

Физическое проектирование

БД

Рис. 1 Схема процесса проектирования БД с использованием интеллектуальных средств

Во второй главе решаются задачи анализа методов классификации агрегатов данных, используемых при проектировании фактографических БД и, на основании результатов анализа, делается вывод о необходимости разработки метода нечеткой классификации элементов концептуальных моделей ПО. В ходе разработки данного метода решены задачи выбора меры сходства объектов, функций принадлежности, целевого функционала качества КС.

Коэффициент сходства для пары Ку,обладающих, соответственно множеством характеристик А] и Aj рассчитывается как индекс сходства Жаккара:

^ сагс1(А< П А})

1) сагй(Л;) + саМ(А;)- сагс1(А; Л А,)

Функция принадлежности элемента концентуальной модели e¡ как объекта классификации кластеру С| для всех Ы-элементов рассчитывается:

Е ^

'.-сел

А- - —

Е ь

г- 1

Предлагается также функция принадлежности, позволяющая проводить оценивание однородности исходного множества элементов (количество кластеров М=1):

(Ь- -—-

сагй[С{) кг •гел-

Целевой функционал алгоритма нахождения оптимального числа кластеров Нр рассчитывается через элементарную функцию энтропии, которую можно представить кусочно-линейной функцией.

Л",

//

*

При !\] 2 //

_Х (1-Я) при/; >//

Нр выглядит так: 1

и носит название индекса энтропии.

Тогда можно определить функцию качества разбиения О как обратную по смыслу индексу энтропии:

(5=1-нР

Предлагается система методов структурирования элементов концептуальных моделей и их представления на плоскости, включающая:

1) алгоритм начальной кластеризации;

2) базовый алгоритм декомпозиции;

3) алгоритм для определения оптимального числа кластеров;

4) алгоритм нисходящей классификации;

11

5) алгоритм восходящей классификации;

6) алгоритм изображения множества образов на плоскости. Приводятся характеристики работы алгоритмов концептуальной

кластеризации для ПЭВМ.

Алгоритмы классификации дополняются методами оценки ее результатов с целью генерации рекомендаций и метазнаний о концептуальной модели ПО, представляемых для анализа разработчику БД в процессе диалога.

Полученная классификация объектов не всегда может быть описана на понятном человеку концептуальном языке, то есть логически квантифицирована, что требуется при выполнении каких-либо обобщений, построения механизмов абстракций в задаче концептуального проектирования. Таким образом, качество концептуальной кластеризации зависит также от качества задаваемых концепций Б для идентификации кластеров или отображения между понятиями и кластерами:

Можно представить Б набором эвристик или множеством продукционных правил вида "если ..., то ..." , например:

"если объекты одного кластера имеют общие атрибуты, то кластер образует метаобъект с этими атрибутами". Используя значение целевой функции О и основную эвристику: "хорошее разбиение - неразмытое разбиение", можно построить шкалу качества классификации, то есть осуществить переход к значению лингвистической переменной например, со значениями: качество "очень плохое", "плохое", "среднее", "хорошее", "очень хорошее". При этом значения С? в крайних точках: 0 и 1, очевидно, свидетельствуют об отказе от распознавания и, соответственно, качестве дискретного разбиения.

Тогда, пусть качество концептуальной модели, определяемое дискретностью задания типов объектов, связей, атрибутов и отношений,

12

определяется нечетким множеством определенных выше лингвистических переменных с характеристической функцией

а, Р, уь у2, Хь &)» в которой параметр а определяет центр распределения функции принадлежности ц, параметр (5 -интервал единичного значения функции принадлежности, параметры 71 и 72 - плавность перехода к нулю характеристической функции слева и справа, соответственно, а параметры & и Ул ' точку перегиба функции на этих переходах:

(о

при (2г<Я - 0- )',

12Г

5(ф,л,/?,}-]) -V' >ч при а~Р -ух < <} < а-Ц

£<(<?, а, В, УтГ;. лг~) •

при а - Р < <3 < а ■

$((}, а, Р, >•,) «,* при а-т-Р < <? с а ~ р г у2 О при д > а -г ¡2 ± у.

где

5«?, а, р. у) = •

-[<?-(«-/?- г) 3 приа-р-у <<} < а-р - [(я Т 0 * у) - <?] при атр

При этом также могут использоваться функции принадлежности элементов классам для применения правил, учитывающих неопределенность, например, для построения подмножеств уровня а:

"если/'] > а, то е\ е С"

или использующих функции принадлежности как априорные характеристики достоверности в системах рассуждений с использованием байесовского подхода.

В любом случае ценность получаемой информации определяет эксперт - разработчик информационной системы, интерпретируя ее с точки зрения использования таксономических иерархий для устранения выявленных неоднозначностей, повторных определений, синонимичных конструкций в КМ, а также для построения механизмов абстракций: обобщения, группирования и агрегации.

Таким образом, ориентируясь по значениям СИ функциям принадлежности объектов, выявленным кластерам со множеством общих характеристик, наглядному представлению множества образов на плоскости, и , используя совокупность знаний о ПО, процессе кластеризации и свой опыт (предопределенные концепции Б ), проектировщик БД разрабатывает концептуальную модель ПО. С использованием предложенных методов анализа множества элементов КМ и подхода построения систем, основанных на знаниях, была разработана экспертная система для построения БД на концептуальном и логическом уровнях.

В третьей главе разрабатываются принципы построения и архитектура ЭС (Рис. 2) для проектирования БД и ее составных частей. В ней выделяются следующие составляющие:

1) интерфейс с пользователем и экспертом;

2) база знаний;

3) механизм логического вывода;

4)система объяснения принятых решений;

5) система обучения;

6) БД описаний концептуальной модели ПО;

14

1 киыоиагсль

АТ

Эксперт

Язык спецификаций Шаблоны Меню

Графическое представление ЕЯ Интерфейс

Система обучения

Система объяснения

Система поддержки ЕЯС-модслей

Система отображения входных формализмов

Система

структурирования

Система интеграции

Система физической реализации

Механизм логического вывода

т

Словарь

Правила

Библиотека формализмов

Знания о ПО

Рис. 2 Структура ЭС для проектирования БД

7) система структурирования данных;

8) система физической реализации БД.

В ЭС проектирования БД предусмотрен ввод входных требований пользователя - (функциональных требований и ограничений целостности) в различных режимах. При этом используются правила БЗ: отбора входных форм, идентификации сущностей, назначения атрибутов, идентификации связей, размерностей и ограничений целостности. Кроме того, предоставляется возможность графического представления КС для удобства проектирования БД. Таким образом, интерфейс ЭС с проблемной областью (с пользователем, в частности) предусматривает ввод и обработку

требований в одном из трех режимов: на органическом естественном языке (при заданном множестве синтаксических конструкций), с помощью шаблонов (ввод в заданные поля экрана по требованию системы), в виде выбранного варианта из меню предложений. Кроме того, ЭС система может использоваться, как средство интеграции неоднородных БД. Наиболее удобным и наименее трудоемким для пользователя является режим ввода через меню предложений и шаблоны, отражающих структуру концептуальной модели.

Необходимо отметить новизну появления в архитектуре ЭС библиотеки формализмов - отдельных знаний о ПО, часто используемых в различных приложениях и, следовательно, соответствующих концептуальных моделях. Использование подобных стандартных и унифицированных общих знаний о ПО способствует значительному повышению производительности труда разработчика систем БД.

Приводится описание разработанной концептуальной расширенной модели "сущность-категория-связь" (Рис. 3), и обосновывается возможность на ее основе наиболее полного представления семантики ПО в структуре разрабатываемой БД.

Рис. 3 ECR-диаграмма для описания метамодели 17

Наиболее пригодной для концептуального моделирования и преобразования в логические схемы различного типа является ЕЯ -модель данных ("сущность - связь"), а язык предикатов первого порядка ПРОЛОГ является удобным средством для реализации макета ЭС для проектирования БД в плане механизма логического вывода, предоставления знаний и обработки естественно-языковых конструкций, ЕЯ-модель естественным образом описывает объекты и взаимосвязи ПО, легко интерпретируется, модифицируется и удобна для наглядного изображения на плоскости.

Кроме того, различные расширенные модели этого типа пригодны для представления и выведения новых знаний о ПО. Поэтому в качестве внутренней модели для описания концептуальной схемы проектируемой БД была выбрана ЕС11 - модель ("сущность-категория-связь"), являющаяся универсальной и совместимой с другими описаниями на концептуальном уровне, максимально отражающей семантику ПО, и на базе известных модификаций моделей этого типа была разработана ЕСЯ- модель, содержащая оптимальный и достаточный набор формализмов для представления знаний о ПО и удобная для представления и обработки в среде ПРОЛОГа.

Важнейшим требованием, предъявляемым к моделям, является способность к самоописанию, то есть представление в виде КС множества понятий и взаимосвязей модели. Предложенная ЕСЯ-модель позволяет очень эффективно строить такую мета модель, причем с образованием иерархии понятий, например, введением категории "элемент КМ".

Описывается способ преобразования расширенной ЕСИ-модели в логическую модель реляционного типа.

Преобразование концептуальной схемы в СУБД-ориентированное описание БД (логическую схему), проводимое с помощью правил физической реализации, является обратным по отношению к

отображению входных формализмов. Здесь конструкции ECR-модели транслируются в отношения в одной из форм реляционной модели, выбранной как наиболее распространенной на сегодняшний день. Часть правил физической реализации необходима для организации пустых баз данных со структурами полученных отношений.

Основное отличие способа преобразования конструкций ECR-модели в отношения реляционной модели (R-отношения) состоит в образовании отдельных R-отношений при неполном вхождении объектов в отношение, а также оригинальное решение проблемы преобразования абстракций различных типов с использованием R-отношений метауровня.

В четвертой главе диссертации проводится описание архитектуры и конкретных реализаций подсистем разработанной ЭС для проектирования БД в среде PDC Prolog, решается задача построения комплекса программ анализа концептуальных моделей ПО, рассматривается его структура, состав и назначение модулей, реализующих предложенные в главе 2 алгоритмы на языке Pasca!.

На основании множества правил концептуального моделирования и концептуальной кластеризации с использованием экспертной системы проводится наполнение и обработка КМ ПО в процессе диалогового взаимодействия с пользователем ЭС в одном из описываемых режимов.

Интеграция моделей подразумевает объединение находящихся в работе моделей ПО в одну интегрированную модель о уникальным именем с целью ее анализа, оптимизации и реализации. Например, может быть решена задача слияния концептуальных моделей баз данных различных приложений (возможно различного типа) с целью проектирования интегрированного БнД.

Анализ созданной концептуальной модели ПО проводится в режимах:

1) атрибуты - выявление совместимых по доменам атрибутов

объектов и отношений для определения синонимов, противоречий и неоднозначностей, при этом могут быть обнаружены одноименные атрибуты, несовместимые по доменам, и выдана рекомендация для разрешения проблемы;

2) объекты - определение синонимов, абстракций типа "группирование", противоречий и неоднозначностей среди объектов путем классификации их по атрибутам, в этом случае проводится анализ на общность объектов КМ ПО по атрибутам и выдача сообщения о необходимости образования абстракции для выявленного множества объектов или корректировки описаний повторно определенных объектов или синонимов;

3) объекты отношений - определение абстракций типа "обобщение", противоречий и неоднозначностей среди объектов отношений путем классификации их по отношениям, при этом в случае обнаружения общности вхождения объектов в одноименные отношения с одинаковой ролью разработчику рекомендуется определить новую категорию-обобщение для этих объектов или устранить допущенные ранее ошибки в определении КМ ПО;

4)отношения - определение абстракций типа "агрегация", противоречий и неоднозначностей среди отношений путем классификации их по объектам отношений: если обнаруживается, что в КС определено несколько однотипных отношений (например, "содержит" или "входит") с одинаковыми наборами объектов отношений, система сообщит о целесообразности введения категории агрегации типа Р АКТОР для данных объектов;

5) связи - поиск противоречий и неоднозначностей среди отношений путем классификации их по атрибутам. Рекомендации системы строятся в этом случае, исходя из принципа детерминированности при описании атрибутов и их однозначного толкования, с целью избежания

20

недоразумений при эксплуатации БД, то есть содержат советы пользователю по их переименованию.

При проведении классификации как основы анализа элементов КМ ПО разработчику выдается информация о качестве КС в виде значения числовой характеристики и словесного описания ("качество КС низкое (высокое)"), и предоставляется возможность просмотра степени принадлежности рассматриваемому классу объектов всего множества элементов также с лингвистической квантификацией ("сильная", "слабая" ...). Кроме того, любой процесс классификации сопровождается наглядным представлением и классификацией множества образов на плоскости.

В режиме реализации проводится проектирование БД с именем активной модели на логическом уровне (преобразование модели "объект-категория-отношение" в реляционную модель данных - реализация алгоритма преобразования, описанного в главе 3.

Приведены основные характеристики работы комплекса программ и макета ЭС, результаты разработки систем БД "Расчетный отдел" в ЗАО «СТРОЙСТАНДАРТ ПЛЮС».

Предлагаемая методика использования макета ЭС для проектирования БД определяет последовательность практических действий по его эффективному применению.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В итоге выполнения диссертации лично автором получены следующие основные результаты, определяющие научную новизну работы и ее практическую значимость:

1. Разработана методика проектирования БД с использованием инструментальных средств искусственного интеллекта.

2. Разработаны методы и алгоритмы нечеткой классификации и структурирования элементов концептуальных моделей ПО. Предложены мера сходства, функции принадлежности элементов концептуальных моделей классам, целевой функционал качества разбиения, методы оценки результатов концептуальной кластеризации как средства концептуального моделирования.

3. Разработана архитектура ЭС и ее наполнение для проектирования баз данных, предназначенной для интеллектуальной поддержки процесса проектирования БД на всех стадиях согласно предложенной методике.

4. Разработана и реализована в среде ПРОЛОГа расширенная модель "сущность-категория-связь" для представления концептуальной модели предметной области.

5. Разработан способ преобразования ЕСЛ-модели в реляционную модель данных, пригодную для реализации в среде реляционных СУБД.

6. Разработаны комплексы программ анализа элементов концептуальных моделей ПО.

7. Разработан макет ЭС для проектирования БД.

8. Предложена методика использования макета ЭС, основанная на опыте его практического применения.

9. Проведена разработка прикладных систем БД с использованием макета ЭС в ЗАО «СТРОЙСТАНДАРТ ПЛЮС». Внедрение результатов диссертационной работы в промышленности позволило сократить сроки выполнения работ по проектированию БД в среднем на 14%, снизить трудоемкость на 10-20 % за счет повышения уровня автоматизации и интеллектуализации проектирования БД на концептуальном и логическом уровнях, обеспечить сокращение численности коллектива разработчиков, повысить качество описаний информационных требований пользователей.

Макет ЭС внедрен в учебный процесс на кафедре

"Автоматизированные системы управления" Московского автомобильно-дорожного института по специальности 22.02 и используется для проведения лабораторных работ по курсам "Базы данных", "Проектирование интеллектуальных систем".

Основные положения и результаты диссертационной работы отражены в следующих публикациях:

1. Шэнь Янь. Определение целевого пространства информационных массивов / Данилкин C.B. // Журн. «Вопросы современной науки и практики. Университет им. В.И. Вернадского», №11(25) - Тамбов:2009. -С.27-34.

2. Шэнь Янь. Построение информационных моделей для организации имитационных исследований / Сыроид A.B. // Журн. «Вопросы современной науки и практики. Университет им. В.И.Вернадского», №11(25) - Тамбов:2009. - С.35-42.

3. Шэнь Янь. Архитектура экспертной системы для проектирования баз данных / Круглов A.M. // Методы прикладной информатики в автомобильно-дорожном комплексе. - М.,МАДИ(ГТУ):2007.-С.35-40.

4. Шэнь Янь. Методы нечеткой кластеризации для управления рисками на предприятии / Будихин С.А., Горячев A.C. // Теория и практика информационных технологий. - М., МАДИ (ГТУ): 2006. - С. 5766

5. Шэнь Янь. Влияние сложности учебной информации на воспринимаемость и забываемость / Рогова О.Б., Домбровский Д.А. // Инновационные технологии в промышленности, строительстве и образовании. - М., МАДИ (ГТУ): 2007. - С. 53-58.

Подписано в печать 25 ноября 2009 г Формат 60x84x16 Усл.печ.л. 1,0 Тираж 100 экз. Заказ № 58

"Техполиграфцентр" Россия, 125319 , г. Москва, ул. Усиевича, д. 8 а. Тел. : 8-916-191-08-51

ВВЕДЕНИЕ.

1. МЕТОДЫ И СРЕДСТВА ПРОЕКТИРОВАНИЯ ФАКТОГРАФИЧЕСКИХ БАЗ ДАННЫХ.

1.1 Анализ методов и средств проектирования баз данных.

1.2 Анализ особенностей интеллектуальных систем проектирования баз данных.

1.3 Разработка методики проектирования баз данных.

Выводы по главе 1.

2. РАЗРАБОТКА МЕТОДОВ КЛАСТЕРИЗАЦИИ ЭЛЕМЕНТОВ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ.

2.1 Анализ методов классификации, используемых при проектировании автоматизированных систем обработки данных.

2.2 Метод нечеткой классификации элементов концептуальной модели предметной области.

2.2.1 Разработка методов расчета меры сходства объектов классификации.

2.2.2 Определение функций принадлежности элементов кластерам.

2.2.3 Определение функций качества разбиения.

2.2.4 Алгоритмы автоматической классификации.

2.3 Методы оценки результатов концептуальной кластеризации.

Выводы по главе 2.

3. РАЗРАБОТКА ПРИНЦИПОВ ПОСТРОЕНИЯ И АРХИТЕКТУРЫ ЭКСПЕРТНОЙ СИСТЕМЫ

ДЛЯ ПРОЕКТИРОВАНИЯ БАЗ ДАННЫХ.

3.1 База знаний экспертной системы.,

3.2 Архитектура экспертной системы и ее наполнение.

3.3 Система преобразования концептуальной модели в логическую модель реляционного типа,.

Выводы по главе 3.

4. РАЗРАБОТКА МАКЕТА ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ПРОЕКТИРОВАНИЯ

БАЗ ДАННЫХ.

4.1. Модули экспертной системы для проектирования баз данных.

4.1.1 Интерфейс с пользователем системы и экспертом.

4.1.2 Механизм концептуального моделирования.

4.1.3 Система физической реализации баз данных.

4.2 Разработка архитектуры комплекса программ анализа элементов моделей данных.

4.3 Разработка методики использования экспертной системы для проектирования баз данных.

4.4 Результат экспериментальных исследований экспертной системы.

Выводы по главе 4.

Широкомасштабное создание и внедрение в промышленности и на транспорте автоматизированных систем обработки данных (АСОД) (на основе использования средств вычислительной техники) является неотъемлемой чертой развития современного механизма управления сложным народнохозяйственным комплексом. Большие объемы и сложность потоков оперативной и статистической информации при планировании, учете и контроле функционирования производства и на транспорте предполагают использование интегрированных банков данных (БнД), в том числе в распределенных информационных вычислительных сетях (РИВС), а также методов и средств автоматизации решения этих задач.

Дальнейшее развитие автоматизированных систем управления (АСУ) и АСОД различного назначения, повышение требований к средствам взаимодействия конечных пользователей с информационными системами привели к созданию новой информационной технологии, основанной на концепции использования методов и средств искусственного интеллекта, таких, как экспертные системы (ЭС), системы поддержки принятия решений, автоматизированные обучающие системы. Новая информационная технология предполагает приближение конечных пользователей- непрограммистов к эффективному использованию баз данных (БД) посредством интеллектуального интерфейса как составной части интеллектуальных БнД или без знаний (БЗ).

В работах разных авторов широко освещаются результаты развития теории проектирования БД, формализованные алгоритмы построения структур БД различных типов, их реализация в виде последовательности этапов проектирования и методы оценки эксплуатационных характеристик систем БД, в том числе описывается и машинные методы автоматизации отдельных стадий проектирования.

В разработках систем управления базами данных (СУБД) в настоящее время достигнуты значительные успехи, как для использования на больших и супер-ЭВМ, так и для мини- и микроЭВМ. Наибольшее распространение получили СУБД реляционного типа в силу ряда очевидных преимуществ, как с точки зрения реализации БД, так и с точки зрения работы с ними. Поэтому в диссертационной работе в качестве базовой принята СУБД реляционного типа.

Большое значение для качественного использования данных, хранимых в БД, имеет адекватность представления предметной области (ПО) - множество отображаемых типов объектов (в дальнейшем - просто объектов) и взаимосвязей между ними некоторой области реального мира в структуре СУБД на этапе ее проектирования с учетом возможности обновления при изменении ПО.

В то же время процесс проектирования БД на этапе анализа ПО и концептуального моделирования остается эмпирическим и ручным. Окончательный выбор концептуального схемы (КС), отражающей семантику ПО и разрабатываемой на основе понятий выбранной модели данных (МД), зависит от умения и опыта разработчика БД различать и отбирать явления ПО, объекты и связи, (количества которых достигается сотен и тысяч), формировать и описывать классы объектов, устанавливать ассоциации между ними и т.д., а также оценивать качество проекта. Процесс проектирования БД на этих этапах слабо поддается формализации и автоматизированная поддержка этих видов работ невелика. Отсутствует законченная методика проектирования и реализации, охватывающая весь жизненный цикл системы обработки данных. Не решены многие задачи, связанные с проектированием распределенных БД и РИВС, в частности, сбором исходных данных, проектированием информационной базы и распределением БД по узлам сети. Для решения этих задач имеющейся объективной неформализованной информации оказывается явно недостаточно. В этих условиях привлекается дополнительная субъективная информация — индивидуальные суждения высококвалифицированных специалистов (экспертов), выдвигаются новые требования к методам и средствам ее обработки и к обоснованности решений, принимаемых с ее использованием. Следовательно, существует возможность решения данных задач с помощью современных средств и методов искусственного интеллекта. Существующие же методики проектирования БД не предусматривают на сегодняшний день использование и развитие для данных целей инструментальных средств искусственного интеллекта. Таким образом, разработка методов и средств интеллектуализации процесса проектирования БД является актуальной задачей.

В настоящее время технические средства (ТС) ЭВМ позволяют хранить большие объемы информации в БД, в частности, в БД фактографического типа, в которых объектами хранения и поиска являются непосредственные факты об объектах ПО. Определение оптимального множества сущностей, связей и их свойств, отображающих ПО, и представление их в виде сложных КС, обеспечивающих формальное описание ПО, является целью первой фазы процесса проектирования БД — концептуального моделирования. Этот этап наиболее тяжело поддается формализации с точки зрения автоматизации решения интеллектуальной задачи анализа и синтеза множества структур КС большой размерности.

Объектом исследования являются системы баз данных фактографического типа со сложной структурой и большой размерностью, хранящие информацию об объекте управления организационно-административного типа.

В настоящее время использование средств автоматизированного проектирования БД на различных уровнях (концептуальном, логическом и физическом) позволяет уменьшить стоимость и время разработки информационных систем, количество рутинных операций, обосновать количественно принимаемые решения. Однако, существующие системы, применяемые на этапе концептуального проектирования представляют собой большей частью программные комплексы, транслирующие входные спецификации требований потенциальных пользователей БД в формализмы заданной МД, или системы документирования и интеграции этих требований в КС, используемую на последующих этапах проектирования БД. В диссертационной работе предлагается методы и средства концептуального проектирования БД с использованием интеллектуальных средств, в частности, экспертной системы анализа и синтеза КС ПО, основанных на знаниях эксперта ПО. При этом предполагается использование концептуальной кластеризации как процесса выведения на новый уровень методов численной таксономии и автоматизированного структурирования элементов концептуальных моделей, объективного оценивания оптимальности получаемой КС. БЗ данной ЭС включает правила проектирования БД, представляющие собой как эвристики, полученные от экспертов на этапе выделения знаний, так и формализованные знания, получаемые из методики проектирования БД, предоставленные алгоритмами обработки информации. К знаниям о ПО относятся сведения, получаемые при формулировании и сборе требований пользователей разрабатываемой БД и представляемые в КС. Концептуальная кластеризация, как метод искусственного интеллекта, является ключевой процедурой для осмысления и классификации новых объектов на этапе выделения и представления знаний о ПО машинными методами. При этом проводится построение концептуальной иерархии для описания набора объектов и дальнейшего применения механизмов абстракций (агрегации, обобщения, категоризации, идентификации, специализации, индуктивного вывода концептуального формирования и т.д.) с целью поиска отношений между детальным и целостным, таких, как: часть-целое, общность свойств сущностей, общие правила и исключения и т.д. Концептуальная кластеризация опирается на формализованные методы классификации, в частности -кластерный анализ - множество вычислительных процедур, которые формируют либо выявляют иерархии (разбиения), лежащие в основе совокупностей данных, описывают, распознают или идентифицируют структуры, лежащие в основе скоплений точек- объектов классификации. Это обуславливает включение в структуру ЭС для проектирования БД подсистемы, реализующей формализованные методы анализа данных, и позволяет классифицировать подобную ЭС как гибридную. В целом, ее назначение - анализ и синтез структур данных. Анализ ПО и требований пользователей заключается в их распознавании, группировании в классы и идентификации выделенных категорий. Под синтезом понимается представление выявленных структур данных понятиями некоторой внутренней модели, а так же ее оптимизация. С точки зрения пригодности представления данных о ПО на концептуальном уровне в качестве внутренней модели для представления КС предпочтение было отдано модели «сущность-категория-связь» (ECR-модель), как наиболее простой, естественной, наглядной, легко интерпретируемой, удобной для обработки и пригодной для представления разнообразных знаний о ПО в отличие от реляционной, сетевой, бинарной и многих других МД, используемых уже на этапе логического проектирования БД.

Этап логического проектирования БД наиболее формализуем с точки зрения используемой МД и типа СУБД и заключается в отображении формализмов КС в структуры конкретной МД с учетом ограничений целостности. Однако, использование подхода ЭС для данных целей позволило бы расширить возможности автоматизированных систем проектирования и поддержать процесс логического и физического проектирования в среде выбранной СУБД механизмом вывода рекомендаций и заключений, управляющим этим процессом во взаимодействии с разработчиком БД, с использованием критериев повышения производительности информационных систем и минимизации необходимого объема физической памяти ЭВМ для ведения БД. В существующих методиках проектирования БД отсутствуют подобные средства, управляющие процессом корректного перехода с этапа концептуального проектирования на этапы логического и физического проектирования.

Отсутствие методики проектирования БД с использованием интеллектуальных средств, методов и средств интеллектуализации концептуального проектирования БД ставит задачу их разработки и исследования.

Целью диссертационной работы является разработка методов и средств автоматизации и интеллектуализации процесса проектирования фактографических баз данных организационно-административного типа на концептуальном уровне.

Для достижения поставленной цели в диссертационной работе решены следующие основные задачи:

1. Разработана методика проектирования баз данных, основанная на использовании инструментальных средств искусственного интеллекта.

2. Разработаны методы и алгоритмы анализа и синтеза элементов концептуальных моделей предметных областей.

3. Разработаны архитектура и принципы построения экспертной системы для проектирования баз данных.

4. Разработан макет экспертной системы для проектирования баз данных.

При решении указанных основных задач рассмотрен ряд частных задач:

-определена структура процесса проектирования БД с использованием интеллектуальных средств;

-разработана концептуальная расширенная модель для представления КС типа «сущность-категория-связь»;

-проведен анализ существующих методов классификации, обоснована необходимость разработки методов нечеткой классификации элементов концептуальных моделей;

-разработаны методы расчета метрики для проведения кластеризации, функций принадлежности объектов кластерам и целевых функционалов качества разбиения;

-разработана система алгоритмов для проведения структурирования множества элементов КС;

-предложены методы оценки результатов концептуальной кластеризации;

-разработан способ преобразования ECR-модели в реляционную модель МД;

-разработан комплекс программ анализа элементов концептуальных моделей ПО;

-разработаны основные подсистемы ЭС для проектирования БД в рамках концепции быстрого прототипирования;

-разработана методика использования ЭС для проектирования БД.

Методы исследования. Результаты диссертационной работы получены на основе комплексного использования теории нечетких множеств, теории отношений, методов кластерного анализа, теории распознавания образов, математического программирования, методов и положений теории интеллектуальных систем, теории информации.

Диссертация состоит из четырех глав, в которых проводится решение поставленных задач.

В первой главе проведен подробный анализ методов и алгоритмов проектирования БД на концептуальном, логическом и физическом уровнях. Проанализированы особенности интеллектуальных систем проектирования БД и БЗ и процесса разработки информационных систем с их использованием. Предложена методика и схема процесса проектирования систем рассматриваемой методике предусмотрено использование базы знаний о процессе проектирования БД как составной части экспертной системы. Предполагаемая методика не зависит от конкретной разновидности концептуальной модели ПО и модели данных, используемой на этапах логического и физического проектирования. В последующих главах типы данных моделей конкретизируются с целью практической разработки макета ЭС для проектирования БД.

Проведенный анализ методов и алгоритмов процесса проектирования БД и методов представления знаний позволил выделить основные задачи, возникающие при проектировании систем БД с использованием интеллектуальных средств, обосновать и формализовать предлагаемую методику проектирования БД.

Во второй главе решаются задачи анализа методов классификации, используемых при проектировании фактографических БД, и, на основании результатов анализа, делается вывод о необходимости разработки метода нечеткой классификации элементов концептуальных моделей ПО. В ходе разработки данного метода решены задачи выбора меры сходства объектов, функций принадлежности, целевого функционала качества КС.

Предлагается система методов структурирования элементов концептуальных моделей и их представления на плоскости. Приводятся характеристики работы алгоритмов концептуальной кластеризации для ЕС ЭВМ и персональных ЭВМ. Алгоритмы классификации дополняются методами оценки ее результатов с целью генерации рекомендаций и метазнаний о концептуальной модели ПО, представляемых для анализа разработчику БД в процессе диалога. целью генерации рекомендаций и метазнаний о концептуальной модели ПО, представляемых для анализа разработчику БД в процессе диалога.

В третьей главе разрабатываются принципы построения и архитектура ЭС для проектирования БД и ее составных частей. Приводится описание разработанной концептуальной расширенной модели «сущность-категория-связь», и обосновывается возможность на ее основе наиболее полного представления семантики ПО в структуре разрабатываемой БД.

Описывается способ преобразования расширенной ECR-модели в логическую модель реляционного типа.

В четвертой главе диссертации решается задача построения комплекса программ анализа концептуальных моделей ПО, рассматривается его структура, состав и назначение модулей, реализующих предложенные в главе 2 алгоритмы на языках PL/1 и PASCAL.

Разработаны архитектура и конкретные реализации подсистем ЭС для проектирования БД в среде Turbo PROLOG для персональных ЭВМ. Приведены основные характеристики работы комплекса программ и макета ЭС, результаты разработки систем БД «Расчетный отдел» в ЗАО «СГРОЙСГАНДДРТ ПЛЮС».

Предлагаемая методика использования макета ЭС для проектирования БД определяет последовательность практических действий по его эффективному применению.

Научная новизна. В диссертационной работе получены новые научные результаты: разработана методика проектирования БД с использованием интеллектуальных средств;

- разработаны методы и алгоритмы нечеткой классификации и структурирования элементов концептуальных моделей ПО; предложены мера сходства, функции принадлежности элементов концептуальных моделей классам, целевой функционал качества разбиения;

- разработана архитектура ЭС и ее наполнение для проектирования баз данных. и реализована в среде ПРОЛОГа расширенная модель "сущность-категория-связь".

Практическая ценность:

- разработан комплекс программ анализа элементов концептуальных моделей ПО;

- разработан макет ЭС для проектирования БД; предложена методика использования макета ЭС, основанная на опыте его практического применения;

- проведена разработка ряда прикладных систем БД с использованием макета экспертной системы.

Реализация результатов в промышленности. Разработанный макет ЭС для проектирования БД и комплекс программ анализа элементов концептуальных моделей ПО внедрен на предприятии ЗАО «СЛРОЙСТАНДАРГ ПЛЮС» и использовался для проектирования ряда систем БД.

Макет ЭС внедрен в учебный процесс на кафедре "Автоматизированные системы управления" Московского автомобильно-дорожного института (Государственного технического университета) и используется для проведения лабораторных работ по курсам "Базы данных" и "Проектирование интеллектуальных систем".

Внедрение результатов диссертационной работы позволило сократить сроки выполнения работ по проектированию БД в среднем на 14 %, снизить трудоемкость на 10 - 20 % за счет повышения уровня автоматизации и интеллектуализации проектирования БД на концептуальном и логическом уровнях, обеспечить сокращение численности коллектива разработчиков, повысить качество описания информационных требований пользователей

Апробация работы. Основные научные положения и результаты диссертации докладывались и обсуждались на заседаниях кафедры «Автоматизированные системы управления» МАДИ (ГТУ) в 2005-2009 годах, на научно-методических конференциях МАДИ (ГТУ) (Москва, 2006-2009 годы), а также на международной конференции «Информационные и телекоммуникационные технологии в интеллектуальных системах».

На защиту выносятся следующие результаты:

1.Методика проектирования БД с использованием интеллектуальных средств.

2.Методы и алгоритмы анализа и синтеза элементов концептуальных моделей.

3.Архитектура экспертной системы для проектирования БД.

4.Реализация в среде Пролог основных компонентов экспертной системы.

Публикации. Материалы диссертации отражены в 5(пять) печатных работах.

Объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения.

Выводы

1. Разработан комплекс программ анализа элементов концептуальных моделей ПО и макет ЭС для проектирования БД, реализующие теоретические результаты диссертационной работы.

2. Предложена методика использования макета ЭС, основанная на опыте его практического применения.

3. Проведено описание процесса разработки с использованием макета экспертной системы прикладной БД "Расчетный отдел" на ЗАО «СТРОИСТАНДАРТ ПЛЮС», что позволило сократить сроки выполнения работ по созданию БД на 14 %, уменьшить количество файлов на 12, снизить трудоемкость создания структуры базы данных за счет интеллектуализации процесса проектирования, повышения качества описания информационных требований пользователей, автоматизации процессов проектирования базы данных на концептуальном и логическом уровнях.

Заключение

В итоге выполнения диссертации лично автором получены следующие основные результаты, определяющие научную новизну работы и ее практическую значимость:

1. Разработана методика проектирования БД с использованием инструментальных средств искусственного интеллекта.

2. Разработаны методы и алгоритмы нечеткой классификации и структурирования элементов концептуальных моделей ПО. Предложены мера сходства, функции принадлежности элементов концептуальных моделей классам, целевой функционал качества разбиения, методы оценки результатов концептуальной кластеризации как средства концептуального моделирования.

3. Разработана архитектура ЭС и ее наполнение для проектирования баз данных, предназначенной для интеллектуальной поддержки процесса проектирования БД на всех стадиях согласно предложенной методике.

4. Разработана и реализована в среде ПРОЛОГа расширенная модель "сущиость-категория-связь" для представления концептуальной модели предметной области.

5. Разработан способ преобразования ECR-модели в реляционную модель данных, пригодную для реализации в среде реляционных СУБД.

6. Разработаны комплексы программ анализа элементов концептуальных моделей ПО.

7. Разработан макет ЭС для проектирования БД.

8. Предложена методика использования макета ЭС, основанная на опыте его практического применения.

9. Проведена разработка прикладных систем БД с использованием макета ЭС в ЗАО «ОТОЙСТАНДДРТ ПЛЮС». Внедрение результатов диссертационной работы в промышленности позволило сократить сроки выполнения работ по проектированию БД в среднем на 14%, снизить трудоемкость на 10-20 % за счет повышения уровня автоматизации и интеллектуализации проектирования БД на концептуальном и логическом уровнях, обеспечить сокращение численности коллектива разработчиков, повысить качество описаний информационных требований пользователей.

Макет ЭС внедрен в учебный процесс на кафедре "Автоматизированные системы управления" Московского автомобильно-дорожного института по специальности 22.02 и используется для проведения лабораторных работ по курсам "Базы данных", "Проектирование интеллектуальных систем".

1. Акатнова ЛА., Апексахин СБ., Коншина EJK., Погорнев В.М. Комплекс программ анализа элементов моделей данных //Автоматизированные системы обработки информации и управления автотранспортного комплекса: Сб. науч. тр./МАДИ.-1989.-С.71-75.

2. Апраушева Н.Н Предварительное обнаружение идеальных кластеров и оценивание их числа // Сообщения по прикладной математике / ВЦ АН CCCP.-1987.-20c.

3. Атре Ш. Структурный подход к организации баз данных:

4. Пер. С. Франц.-М.:Финансы и статистика , 1983.-317с.

5. Будихин А.В. Методы и средства концептуального и логического проектирования систем баз данных: Автореф.дис.канд.техн.наук.-М., 1984.-16с. ДСП.

6. Будихин А.В.,Кокушкин В А., Погорнев В.М. Методы структурирования баз данных и баз знаний // XV межрегиональный семинар «Эргономика и эффективность систем «человек-техника»».тез. докл.-Вильнюс, 1989.с. 72-73.

7. Будихин АВ., Кудрявцева MP., Погорнев В.М. Макет экспертной системы построения баз данных //IX Всесоюзный симпозиум «Эффективность, качество и надежность систем «человек-техника»» :тез. докл.-Воронеж, 1990.-е. 114.

8. Будихин АВ., Николаев А.Б., Погорнев В.М. Метод нечеткой классификации элементов моделей данных // Приборы и системы управления.-1991 .-№9.-с.9-10.

9. Будихин А.В., Николаев А.Б., Погорнев В.М. Реализация экспертной системы построения баз данных // Интегрированные автоматизированные системы на автомобильном транспорте и в дорожном строительстве: сб. науч.тр./МАДИ.- 1990.-е. 19-26.

10. Будихин АВ., Погорнев В.М. Метод автоматизированного структурирования данных и знаний для проектирования экспертных систем //Всесоюзная , научная конференция

11. Методология создания и опыт эксплуатации АСУ в гражданской авиации»:Тез. Докл.-Рига.- 1989.-е. 181.

12. Будихин АВ., Погорнев В.М. Методы автоматической классификации в проектировании систем обработки данных // Автоматизированные системы обработки информации и управления автотранспортного комплекса: Сб.науч.тр./МАДИ1989.-С.76-81.

13. Будихин АВ., Погорнев В.М. Использование методов размытой классификации при проектировании баз знаний автоматизированных обучающих систем//Методы и системы технической диагностики: Межвузовский науч.сб.-Саратов,1989.-вып.10.-с.77-78.

14. Будихин АВ. Погорнев В.М. Основные концепции построения экспертных систем проектирования баз знаний//ХУ1 межрегиональный семинар «Эргономика и эффективность систем «человек-техника»»:Тез.докл.-Вильнюс.-1990.-с.119-120.

15. Будихин А.В., Погорнев В.М. Экспертная система концептуального проектирования баз данных/УВсесоюзное совещание по экспертным системам: Тез.докл.-Суздаль.-1990.-с.120.

16. Геловани ВА., Безруков Д.И., Братков В.Б. и др. Интерактивная разработка информационных систем// Техническая кибернетика.-1986,№2.,с. 48-71.

17. Деметрович Я.,Кнут Е., РадоП. Автоматизированные методы спецификации: Пер.с англ.-М.:Мир, 1989.-115 с.

18. Дидэ Е. Методы анализа данных: Пер. с англ.- М.:Финансы и статистика, 1985.-357 с.

19. Доорс Д.,Рейблейн А. , Вадера С. ПРОЛОГ язык программирования будущего: пер.с англ.- Финансы и статистика,1990.- 142 с.

20. Дюран Б., Оделл П. Кластерный анализ: Пер. с англ.-М.: Статистика, 1977.- 128 с.

21. Жамбю М. Иерархический кластер-анализ и соответствия: Пер. с франц.-М.:Финансы и статистика , 1988.-342 с.

22. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенного решения: Пер. с англ.-М.: Мир, 1976.- 165 с.

23. Зайцев НГ. Технология обработки данных в языковой форме.-Киев: Техника, 1989.- 183 с.

24. Захарова Е.Л. Об одном методе классификации в ЭС//изв. ЛЭТИ.1987.-№392.-с. 55-58.

25. Калиниченко Л А. Методы и средства интеграции неоднородных баз данных.- М.: Наука, 1983. 424 с.

26. Классификация и кластер: Пер.с англ./Под. ред. В.Рэйвин.-М.:Мир, 1980.-381 с.

27. Кудрявцева MP. Методы и средства концептуального проектирования систем баз данных с использованием расширенной модели «сугцность-категория-связь»: Автореф. дис.канд. техн. Наук.- М.,1988.- 18 с.ДСП

28. Кузин Б.С., Ройтман А.И., Фоминых И.Б., Хахалин Г К. Интеллектуализация ЭВМ.-М.: Высшая школа, 1989.- 159 с.

29. Ларичев О.И., Мечитов А.Н. и др. Выявление экспертных знаний.- М.: Наука, 1985.- 128 с.

30. Леонг-Хонг Б., Плагман Б. Системы словарей-справочников данных.- М.: Финансы и статистика, 1986.- 311 с.

31. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц.- М.: Мир, 1991.- 568 с.

32. Малпас Дж. Реляционный язык ПРОЛОГ и его применение: Пер. с англ.- М.: Наука, 1990.- 464 с.

33. Манд ель ИХ. Кластерный анализ.- М.: Финансы и статистика,1988.- 176 с.

34. Методы и средства концептуального проектирования баз данных САПР РИВС: Отчет о НИР (промежуточ.)/МАДИ; руководитель А.Б.Николаев.- 0121189;№1120287; инв. № 11044.- м.,1989.-242 с.

35. Минский М. Фреймы для представления знаний: Пер. с англ.-М.: Энергия, 1979.- 151 с.

36. Мичи Д., Джонстон Р. Компьютер-творец: Пер. с англ.- М.: Мир, 1987.-255с.

37. Мишени А.И., Петров ЕА. Концептуальное моделирование при разработке баз данных в ЭС.- М.: Радио и связь, 1983.- 67 с.

38. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./Под. Ред. P.P. Ягера.- М.: Радио и связь, 1986.- 408 с.

39. Погорнев В.М. Концептуальная кластеризация элементов моделей данных// XVII межрегиональный семинар «Эргономика и эффективность систем «Челове-техника»»:Тез. докл. — Игналина, 1991.- с. 106.

40. Погорнев В.М. Методы оценки результатов концептуальной кластеризации// Интегрированные автоматизированные системы на автомобильном транспорте и в дорожном строительстве: Сб. науч. тр./МАДИ.-1990.- с. 13-18.

41. Полищук Ю.М., Хон В.Б. Теория автоматизированных банков информации.- М.: Высшая школа, 1989.- 184 с.

42. Попов Э.В. Экспертные системы.- М.: Наука, 1987.- 288 с.

43. Поспелов Г.С. Искусственный интеллект- основа новой информационной технологии. М.: Наука, 1988.- 28 с.

44. Поспелов Д.А. Ситуационное управление, теория и практика. М.: Наука, 1986.- 288 с.

45. Построение экспертных систем: Пер. с англ./Под ред. ФХейеса-Рота, Д. Уотермана, Д. Лената.- М.: Мир, 1987.- 411 с.

46. Представление и использование знаний: Пер.с яп./под ред. ХУэно, М.Исидзука.- М.: Мир, 1989,- 220 с.

47. Приобретение знаний: Пер. с яп./ под ред. С.Осуги, Ю. Саэки.-М.: Мир, 1990.-304 с.

48. Системы управления базами данных и знаний: Справ. Изд./А.Н.Наумов, А.М. Вендров, В .К.Иванов и др.: Под ред. АН.Наумова.- М.: Финансы и статистика, 1991.- 348 с.

49. Смит Дж., Смит Д. Принципы концептуального проектирования баз данных/ Требования и спецификации в разработке программ.-М.: Мир, 1984.-345 с.

50. Смородинский АВ., Ривкин М.Н. Базы данных: тенденции развития//Мир ПК.- 1990.-№5.-с. 30-36.

51. Проектирование интегрированных баз данных. Стогний АА., Вольфенгаген В.Э., Кушнарев В А. и др.-Киев: Техника, 1987.- 143 с.

52. Тиори Т., Фрай Дж. Проектирование структур баз данных: Пер.с англ.:2-х кн.-М.: Мир, 1985.-Кн. I.-287 с.

53. Хаббард Дж. Автоматизированное проектирование баз данных: Пер.с англ.-М.: Мир, 1984.- 296 с.

54. Цаленко МШ. Моделирование семантики в базах данных.- М.: Наука, 1989.-288с.

55. Цикритзис С., Лоховски Ф. Модели данных: Пер. с англ.-М.: Финансы и статистика, 1985.-344 с.

56. Шенк PJC. Обработка концептуальной информации: Пер. с англ.-М.: Энергия, 1980.-361 с.

57. Шимон У., Фридман Л. Методология экспертной оценки проектных решений для систем с базами данных: Пер. с англ.- М.: Финансы и статистика, 1986.- 280 с.

58. Буч Г., Рамбо Дж., Якобсон А. Язык UML. Руководство пользователя. — СПб.: Питер, 2004. 432 с.

59. Вендров A.M. CASE технологии. Проектирование программного обеспечения экономических информационных систем. М.: Финансы и статистика, 2000. — 544 с.

60. Вендров A.M. CASE технологии. Современные методы и средства проектирования информационных систем. М.: Финансы и статистика, 2000. - 176 с.

61. Вьейра P. SQL Server 2000. Программирование в 2 ч. / Р. Вьейра: Часть I; Пер. с англ.; Под ред. С. М. Молявко. М.: БИНОМ. Лаборатория знаний, 2004. - 735 с.

62. Вьейра P. SQL Server 2000. Программирование в 2 ч./ Р. Вьейра: Часть II; Пер. с англ.; Под ред. С. М. Молявко. М.: БИНОМ. Лаборатория знаний, 2004. - 807 с.

63. Гарсиа-Молина Г., Ульман Дж., Уидом Дж. Системы баз данных. Полный курс / Пер. с англ. М.: Издательский дом "Вильяме", 2003. - 1088 с.

64. Грейвс М. Проектирование баз данных на основе XML. Пер. с англ. М. : Издательский дом "Вильяме", 2002. - 640 с.

65. Дейт К.Д. Введение в системы баз данных. / Пер. с англ. Гордиенко ЮГ. 7-е изд. - М: Вильяме, 2002. - 1072 с.

66. Диго С.М. Базы данных: проектирование и использование: Учебник. — М.: Финансы и статистика, 2005. 592 с.

67. Карпова Т. Базы данных: модели, разработка, реализация. — СПб.: Питер, 2001.-304 с.

68. Коннолли Т., Бегг К, Страчан А. Базы данных: проектирование, реализация и сопровождение: Теория и практика. 3-е изд. / Пер. с англ. — М.: Издательский дом "Вильяме", 2003. 436 с.

69. Крёнке Д. Теория и практика построения баз данных. 9-е изд. -СПб.: Питер, 2004. 864 с.

70. Кузнецов С.Д. Основы баз данных. — М.: Изд-во "Интернет-университет информационных технологий ИНТУИГ.ру", 2005. - 488 с.

71. Лавров ИА, Максимова Л.Л. Задачи по теории множеств, математической логике и теории алгоритмов. — 5-е изд., исправл. -М.: ФИЗМАТЛИГ, 2004. 256 с.

72. Лешек А. М. Анализ требований и проектирование систем. Разработка информационных систем с использованием UML. : Пер. с англ. М. : Издательский дом "Вильяме", 2002. - 432 с.

73. Маклаков СВ. BPwin и ERwin. CASE-средства разработки информационных систем. -М.: Диалог-МИФИ, 2001. 256 с.

74. Малыхина М.П. Базы данных: основы, проектирование, использование. СПб.: БВХ-Петербург, 2004. - 512 с.

75. Марков А.С., Лисовский КЮ. Базы данных. Введение в теорию и методологию. -М.: Финансы и статистика, 2004. 512 с.

76. Мюллер Р. Базы данных и UML. Проектирование. М.: Лори, 2002.-432 с.

77. Нейбург Э., Максимчук Р. Проектирование баз данных с помощью UML. -М.: Издательский дом "Вильяме", 2002. 288 с.

78. Нейбург Э. Д., Максимчук Р. А. Проектирование баз данных с помощью UML. / Пер. с англ. — М. : Издательский дом "Вильяме", 2002.-288 с.

79. Райордан Р. Основы реляционных баз данных. М.: Изд-во "Русская Редакция", 2001. - 384 с.

80. Роб П., Коронел К. Системы баз данных: проектирование, реализация и управление. 5-е изд., перераб. и доп.: Пер. с англ. — СПб.: БВХ-Петербург, 2004. - 1040 с.

81. Ролланд Ф. Основные концепции баз данных. М.: Издательский дом "Вильяме", 2002. - 256 с.

82. Хансен Г, Хансен Дж. Базы данных. Разработка и управление. — М.: Бином, 2001.-704 с.

83. Харрингтон Д. Проектирование объектно-ориентированных баз данных. Пер. с англ. -М.: ДМК Пресс, 2001. 272 с.

84. Шень Янь. Определение целевого пространства информационных массивов / Данилкин СБ. // Журн. «Вопросы современной науки и практики. Университет им. В.И. Вернадского», №11(25) -Тамбов:2009. С.27-34.

85. Шэнь Янь. Построение информационных моделей для организации имитационных исследований / Сыроид А Б. // Журн. «Вопросы современной науки и практики. Университет им. ВИВернадского», №11(25) -Тамбов:2009. С.35-42.

86. Шэнь Янь. Архитектура экспертной системы для проектирования баз данных / Круглов A.M. // Методы прикладной информатики в автомобильно-дорожном комплексе. М.,МАДИ(ГТУ):2007.-С.35-40.

87. Шэнь Янь. Методы нечеткой кластеризации для управления рисками на предприятии / Будихин С.А., Горячев А.С. // Теория и практика информационных технологий. М., МАДИ (ГТУ): 2006. - С. 57-66

88. Шэнь Янь. Влияние сложности учебной информации на воспринимаемость и забываемость / Рогова О.Б., Домбровский ДА. // Инновационные технологии в промышленности, строительстве и образовании. М., МАДИ (ГТУ): 2007. - С. 53-58.

89. Adeli Н. Expert System for Structural Design.- London: Chapman&Hall,1988.-330 p.

90. Advanced information System Engineering: Second Nordic conference CASE'90 proceedings, Stockholm, May 8-10 1990.- Berlin: Springer, 1990.-392 p.

91. Bacilhon F., Thonos O., Tsichritzis D. Advances in Database Technology.-Berlin: Springer, 1990.-452 p.

92. Backer E. Cluster analysis by optimal decomposition of induced fuzzy sets.- Delft: Delfse Univer. Press, 1978.- 235 p.

93. Bagchi Т., Chandhri V. Interactive Relational Database design.-N.Y.: Springer, 1989.-186 p.

94. Balasubramanian A. Parthesarathy G. Chaterrji B. Knowledge approach to cluster algorithm selections// Pattern Recognitions Letters.-1990.- v.l 1,№10.- p.651-662.

95. Bandler W., Kohout L. The four modes of inference in fuzzy expert systems// Cybernetics and Systems Researches.- 1984.- v.2,№ 10.-p.581-586.

96. Batini C., Lenzerini M, Navathe S. A Comparative Analysis of Methodologies for Database Schema Integration// AOM Computing Serveys.- 1986.- v.l8,№ 4.- p. 323-364.

97. Bezdek J. Cluster validity with Fuzzy Sets// Journal of Cybernetics.-1973.- v.3,№3.-p. 58-73.

98. Bezdek J Pattern recognitions with fussy objective function algorithms.- N.Y.: Plenum Press, 1981.-256 p.

99. Bezdek J., Dunn J. Optimal Fuzzy Partitions: A Heuristic for Estimating the Parameters on a Mixture of Normal Distributions// IEEE Transactions on Systems, Man and Cybernetics, 1975.- v.5,№8.- p.836-838.

100. Casanova M., Amaral de Sa J Mapping Uninterpreted Schemas into Entity-Relationship Diagrams: Two Applications to Conceptual Shema Design// IBM J.Res. Development.- 1984.-v.28,№l.- p.82-94.

101. Ceri S. Methodology and tools for database design.- Amsterdam: NORTH-HOLLAND, 1983.- 255 p.

102. Chen P. The Entity-Relationship Approach: The use of ER concept in knowledge representation.- Washington: IEEE CS Press, 1985.- 327 p.

103. Chen P. The Entity-Relationship Model- toward a unified view of Data// ACM Transactions on Software Engineering.- 1988.- v. 14,№2.- p. 242-252.

104. Choobinen J., Mannino M., Nunamaker J., Konsynski B. An Expert Database Design Systems based on Analysis of Forms// IEEE Transactions on Software Engineering.- 1988.- v. 14, №2.- p. 242-252.

105. Classification and related methods of data analysis/ ed. Book H.Amsterdam: NORTH-HOLLAND, 1988.- 749 p.

106. Cluster models and other topics/ Ed. Akashi Y., Chin S., Hoiuchi H., Ikeda K.- Singapore: World Sci., 1986.- 510 p.

107. Codd E. Relational Database: A Practical Foundation for Productivity// Communications of the ACM.-1982.- v.25,№2.- p. 107117.

108. Computer-Aided Database Design: The DAT AID Project-Amsterdam: NORTH-HOLLAND.- 1985.- 221 p.

109. Dubes R., Jain A. Validity studies in clustering methodologies// Pattern Recognition.- 1979.- v.l 1,№2.- p.235-254.

110. Dubois D., Prade H. Fuzzy sets and systems N.Y.: Academic Press, 1980.- 393 p.

111. Elmasri R., Navathe S. Fundamentals of database systems-Redwood City (Ca.): The Benjaming/ Cummings Publishing, 1989.802 p.

112. Elmasri R., Weeldreues J., Hevner A. The catecory concept: An extension to the entity-relationship model// Data & Knowledge Engineering.- 1985,- v.l, №1.- p. 75-116.

113. Entity-relationship approach: A bridge to the user: Proceedings of the Eight International Conference on Entity-relationship approach, Rome, 16-18 Nov. 1988/ Ed. Batini C.- Amsterdam: NORTH-HOLLAND, 1989.-410 p.

114. Entity-relationship approach: Proceedings of the 6th International Conference on Entity-relationship approach, N.Y., 9-11 Nov. 1987/Ed. Lochovski H.- Amsterdam:- NORTH-HOLLAND, 1988.- 549 p.

115. Entity-relationship approach: Ten years of experience in information modeling: Proceedings of the 5th International Conference on Entity-relationship approach, Pijon, 17-19 Nov. 1986/ Ed. Spaccarietra S.- Amsterdam: NORTH-HOLLAND, 1987.-557 p.

116. Entity-relationship approach to database design and querying: Proceedings of the Eight International Conference on Entity-relationship approach, Toronto, 18-20 Oct. 1989/ Ed. Lochovski H.- Amsterdam: NORTH-HOLLAND, 1989.- 435 p.

117. Feldman P., Miller D. Entity model clustering: Structuring a data model by abstraction// Computer Journal.- 1986.-v.29, №4.- p. 348-360.

118. Fisher D. Knowledge Acquisition Via Incremental Conceptual Clustering// Machine Learning.- 1987.-v.2,№l-2.- p. 139-172.

119. Fuzzy logic in knowledge based systems, decision and control/ Ed. Cupta M., Yamakawa Т.- Amsterdam: NORTH-HOLLAND, 1988.-410 p.

120. Gane C., Sarson T. Structured systems analysis.- London: Prentice Hall.-1979.- 250 p.

121. Gardarin G., Valduriez P. Relational database and knowledge bases.-N.Y.: Addison-Wesley, 1989.-450 p.

122. Graham I., Janes P. Expert systems: knowledge uncertainty and decision.- N.Y.: Chapman and Hall, 1988.- 363 p.

123. Greenwell M. Knowledge Engineering for Expert Systems.-Chichester: Horwood, 1988,- 184 p.

124. Han J., Li Z. DERDL A knowledge-based Data language for a Deductive Entity-Relationship Model// Computing and Information/ Ed. Janicki R., Koczkoday W.- Amsterdam: NORTH-HOLLAND.-1989.-p.317-325.

125. Hirota K., Pedryoz W. Characterization of fuzzy clustering algorithms in terms of entropy probabilistic sets// Pattern Recognition Letters.- 1984.-v.10, №2,- p. 213-216.

126. Houtsman M., Apers P. A semantic Data Model for Integration of Data and Knowledge//Computing and Information/ Ed. Janicki R., Koczkoday W.-Amsterdam: NORTH-HOLLAND.- 1989.- p.327-333.

127. Hughes J. Database Technology.- N.Y.: Prentice Hall, 1988.- 273 p.

128. Implementation of a Computer for a Semantic Data model: Experiences with TAXIS/ Ed. Nixon В., Chang L., Borgida A//SIGMOND Record.-1987.- v.6,№3.-p,118-131.

129. Information Systems Design methodologies: a comparative revive.-Amsterdam: NORTH-HOLLAND, 1982.-520 p.

130. Information Systems Methodologies.- London: Willey.-1983.-128 p.

131. Ismail M. Software clustering: Algorithms and Validity of solutions// Fuzzy computing: Theory, hardware and applications/ Ed. Gupta M., Yamakawa Т.- Elsevier: NORHT-HOLLAND, 1988.-499 p.

132. Keller J., Gray M., Givens J. A fuzzy K-Nearest Neibor Algorithm// IEEE Transactions on Systems, Man and Cybernetics.-1985.-v.15, №4.-p. 580-584.

133. Kersberg L. Expert Database systems.- Moulo Park (Ca.): The Benjaming/Cummings Publ., 1986.-701 p.

134. Kersten M. A conceptual modeling expert systems/ Entity-Relationship Approach/ Ed.Spaccarietra S.- Amsterdam: NORTH-HOLLAND, 1987, p. 35-48.

135. Kidd A.L. Knowledge acquisition for expert systems.-N.Y.: Plenum press, 1987.-295 p.

136. Knowledge representation and organization in Machine Learning/ Ed. Morik K.- Berlin: Springer, 1989.-319 p.

137. Lebowitz M. Experiments with Incremental Concept Formation: UNIMEM/ZMachine Learning.-1987.-v.2, №1-2. pl03-138.

138. Lee R., Slagle J., Blum H. A triangulation Method for the Sequential Mapping of the Points from N-Space to Two Space// IEEE Transactions on Computers.-1977.-v26, № 3.- p. 288-292.

139. Machine Learning: An Artificial Intelligence Approach /Ed. Michalski R, CarbonellJ., Mitchel Т.- Berlin: Springer, 1984,- 572 p.

140. Michalski R., Stepp R. Automated Construction Classification: Conceptual Clustering Versus Numerical Taxonomy// IEEE Transactions on Pattern Analysis and Machine Intelligence.- 1983.-v.5, №4.-p.396-409.

141. Murdoch C., Lohuson L. Intelligent data handling.- London: Chapman & Hall, 1990.-177 p.

142. Olle T.W. Informational systems design methodology: A future analysis/ Proc. Of the IFIP WG 8.1 working conf.- Amsterdam:NORTH-HOLLAND, 1983.- 266 p.

143. Paredaens J. Datases.- London: Academic Press, 1987.- 261 p.

144. Parsaye K., Chignell M., Knishafian S., Wong H. Intelligent Database.-N.Y.: Wiley, 1989.- 479 p.

145. Ralescu A. A Note on Rule Representation in Expert Systems// Information Sciences.- 1986.- v.38, №2.- p. 193-203.

146. Rahami S. Knowledge based computer systems.- Berlin: Springer, .1990,- 546 p.

147. Recent Development in clustering and data analysis/ ed. Diday E.Boston: Academic press, 1988.-452 p.

148. Ross D., Schaum K. Structured systems analysis for requirements definition// IEEE Transactions on Software Engineering.- 1977.-v.5,№l.-p.28-56.

149. Roubens M. Pattern classification problems and fuzzy sets// Fuzzy sets and systems.- 1978.-v.1, №1.- p. 239-253.

150. Sammon J. A nonlinear mapping for data structure analysis//IEEE Transactions on Computers.- 1969.- v. 18, №5.-p. 409-419.

151. Shekar D., Narasimha M., Krishna G., A knowledge-based clustering Scheme// Pattern recognition Letters.-1987.-v.5,№4.-p.353-359.

152. Smith J., Smith D., Principles of Database conceptual Design// Lect. Notes in Сотр. Sci.-1982.-v. 132,- p. 114-146.

153. Sockut G., Malhotra A. A Full-Screen Facility for Defining Relational and Entity-Relationship Database Schemas// Expert Systems.-1988.-v.5,№6.-p.68-78.

154. Thompson B. Evolving knowledge from data// Computer Lang.1986.-v.3,№l 1.- p.23-26.

155. Ullman J. Principles of database and knowledge-base systems .-Rockvile: Computer Science Press, 1988.- 1137 p.

156. Windham M. Cluster validity for fuzzy clustering algorithms//Fuzzy sets and systems.- 1981.-v.5,№2.- p. 177-184.

157. Wittington R. Database systems engineering.- Oxford: Clarendon Press, 1988.- 430 p.

158. Xie W., Bedrosian S. An informational measure for Fuzzy Sets// IEEE Transactions on Systems, Man and Cybernetics.- 1984.-v.14,№1.-p. 151-156.

159. Yang D., Theorey Т., Fry J. A practical approach to translating extended ER diagram into the relational model// Information sciences.1987.-v.42, №2,-p. 167-186.

160. Yasdi R. A conceptual design aid environment for expert-database systems// Data & Knowledge Engineering.- 1985.-vl,№l.- p.31-73.

161. Yin K., Solomon D. Using Turbo Prolog.- Indiana: Que corporation, 1987.- 598 p.

162. Zadeh L. Fuzzy sets//Information and Control.- 1965.-№8.- p. 338353.

163. Zadeh L. Fuzzy sets and their applications to pattern classifications and clustering analysis// Classification and clustering/ ed. Ryzin J.- N.Y.: Academic Press, 1976.- p.251-299.

164. Zhao L., Roberts S. An object-oriented Data Modeling, Implementation and Access// The Computer Journal.- 1988.-v.31, №2.-p. 116-124.

165. Zimmermann H. Fuzzy sets, decision making and expert systems.-Boston: Kluwer Academic Publishers, 1987.- 335 p.

166. Thiele D. Life cycle management using life cycle process standards. The journal of Software Engineering Australia, 2002.