«28 июня 2011 года г. Москва СБОРНИК МАТЕРИАЛОВ КОНФЕРЕНЦИИ Рязань 2011 Бизнес-аналитика. Использование аналитической платформы Deductor в учебном процессе вуза: сборник материалов II Межвуз. науч.-практ. конф. – Рязань: ...»

2. Боев Б.В, Болотова Л.С, Дёмина Н.Н. Интеллектуальный анализ данных в системе противодействия распространению эпидемий гриппа // Бизнес-аналитика. Вопросы теории и практики. Использование аналитической платформы Deductor в деятельности учебных заведений: сборник материалов межвуз. науч.-практ.

конф. – Рязань: Лаборатория баз данных, 2010 – С. 134-144.

3. Болотова Л.С., Кузнецов С.Н. Демина Н.Н. Проблемы применения методов интеллектуального анализа данных в системах поддержки принятия решений // Бизнес-аналитика. Вопросы теории и практики. Использование аналитической платформы Deductor в деятельности учебных заведений: сборник материалов межвуз.

науч.-практ. конф. – Рязань: Лаборатория баз данных, 2010 – С.

4. Иваненко И. Ю. Система поддержки принятия решения для противодействия развитию эпидемий // Сборник материалов 4-й Всероссийской конференции студентов, аспирантов и молодых ученых. М.:, 2010. – Ч. 2. – С. 16-18.

5. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. – СПб.: Питер, 2009. – 624 с.

6. http://www.basegroup.ru.

7. http://www.gamaleya.ru.

О НЕКОТОРЫХ ТЕХНИЧЕСКИХ ПРИЛОЖЕНИЯХ МЕТОДОВ

DATA MINING В ОБЛАСТИ ПРИМЕНЕНИЯ

И ЭКСПЛУАТАЦИИ РАКЕТНО-КОСМИЧЕСКОЙ ТЕХНИКИ

Галаев С.А., преподаватель, Потюпкин А.Ю., начальник кафедры, Военная академия РВСН имени Петра Великого, г. Москва На сегодняшний день одним из важнейших направлений развития научно-технического прогресса является космос, что, в свою очередь, влечет за собой совершенствование и усложнение объектов ракетнокосмической техники. Любой наверняка знаком с такими понятиями как спутник, ракета, космический аппарат, но мало кто представляет себе, насколько данные объекты сложны. Являясь «вещью в себе» они формируются совокупностью различного рода подсистем, также являющихся до конца непознанными «черными ящиками», то есть обладающих непредсказуемостью своего поведения, что, несомненно, причисляет их к разряду сложных систем. Поэтому они сегодня представляют уже не только теоретический интерес [1].

Сложными являются практически любые системы, обладающие тем, что принято называть скрытыми закономерностями поведения. Как правило, к таким системам относят эргатические системы, в которых очень велико влияние человеческого фактора. Однако и технические системы, сконструированные как «простые», зачастую ведут себя как сложные системы. Помимо «больших» технических систем, в которых число подсистем очень велико, а состав разнороден, сложными являются и относительно небольшие системы, обладающие встроенными средствами ЭВТ с развитым программным обеспечением. Такие системы, функционируя большей частью по известным алгоритмам, и являясь для наблюдателя достаточно «простым» объектом, вдруг начинают вести себя непредсказуемо и быстро становятся «сложными».

На практике всякое отступление от заданных алгоритмов действий является нештатной ситуацией и может быть отнесено к проявлениям сложности системы.

Управление сложной технической системой, как и любой другой, предполагает определение её текущего состояния и предсказание последующего. Однако для сложных систем эта задача является затруднительной или, точнее, некорректной. Некорректность может проявляться в неоднозначности решения, а также в неустойчивости результатов, когда малым возмущениям исходных данных могут соответствовать сколь угодно большие изменения результатов. Предсказать поведение такой системы абсолютно точно невозможно. Проблема заключается в нелинейности поведения системы, в наличии так называемых точек бифуркации. Здесь бифуркация (от лат. bifurcus – раздвоение) – приобретение новых качеств динамической системой при малом изменении ее параметров [3]. Рассмотрим данную проблему несколько подробнее.

В обычном состоянии система находится в состоянии гомеостатического равновесия с окружающей средой. Гомеостаз (от греческих homoios – подобный и stasis – состояние) означает свойство живых организмов поддерживать состояние своей «внутренней среды» постоянным с тем, чтобы находящиеся в ней живые клетки имели возможность функционировать вне зависимости от внешних условий, в которых организм находится. В самом общем понимании гомеостатичность системы означает, что она не только выполняет предписанное ей задание, но одновременно заботится и о сохранении самой себя (по крайней мере, до момента выполнения этого задания). При этом в пространстве параметров внешней среды существует гиперповерхность, отделяющая область их значений, внутри которой возможно существование системы. Эта гиперповерхность носит наименование границы гомеостаза. Переход из области гомеостаза через её границу означает прекращение существования данной системы. В этом случае система попадает в неравновесное состояние (состояние кризиса) или так называемую точку бифуркации, выход из которой может привести как к гибели системы, так и её качественному обновлению (рис. 1). Здесь выход 1 из точки бифуркации ведет к гибели системы, выход 2 – к её обновлению.

Выход системы из кризиса связан с явлением самоорганизации, изучением которого занимается синергетика.

Исследование естественных систем показало, что для реализации процесса самоорганизации требуются следующие условия: наличие неустойчивости, наличие флуктуаций (случайный толчок) и наличие возможности выбора состояния системой. В результате система стремится упорядочить своё поведение таким образом, чтобы достичь равновесного состояния по отношению к внешней среде и обеспечить минимальную собственную энтропию.

На рис. 2 показаны различные варианты поведения систем. Для различных систем одни и те же точки могут быть как устойчивыми, так и неустойчивыми. Так для системы S1 точка 2 является минимумом потенциала, соответствует требованию минимального расхода энергии и является точкой устойчивости. Но для системы S2 эта же точка является точкой бифуркации, из которой она может перейти либо в 1, либо в устойчивые состояния. Если рассматривать системы S1, S2 как одну и ту же систему в различные моменты жизни, то тогда ясно, что в процессе жизнедеятельности системы в силу воздействия внешних факторов система не может существовать в прежнем состоянии 2, а вынуждена перейти либо в состояние 1, либо в 3.

Интересно, что термин «бифуркация» [3] происходит от английского «fork» – вилка, так как кривая для S2 имеет форму вилки.

Рис.2. Различные варианты поведения систем Таким образом, переход системы из одного состояния в другое происходит в результате совместного воздействия стохастических и детерминированных сил (случайность и необходимость), определяющего возникновение новых конфигураций. Для оценки состояния системы требуется определить параметры порядка системы, что предполагает знание модели системы.

Для наблюдателя крайне важным является следующий вопрос: какую же конфигурацию примет система? Например, на рисунке для наблюдателя немаловажно, где же окажется система – в состоянии 1 или в состоянии 3. С точки зрения самой системы состояния равноценны, они обеспечивают и минимум расхода энергии и минимум энтропии, но с точки зрения пользователя – отнюдь нет.

Рассмотрим вариант формализации данной задачи. При этом воспользуемся элементами квантовой механики [3, 4], которые позволяют описать стохастический характер изменения состояний системы. В этом случае состояние системы в момент бифуркации будет описываться линейной суперпозицией её возможных состояний где {f1, f2, f3, …} – множество возможных состояний системы, a, b, g – так называемые амплитуды вероятностей, квадрат модуля которых есть вероятность того, что после проведения измерений система будет находиться в данном состоянии, например Р(f1) = |a|2.

При этом возможные состояния являются взаимно ортогональными, а набор возможных альтернатив, отобранный в результате полного измерения, образует систему базисных ортогональных векторов. Для описания подобного рода систем используется Гильбертово пространство, в котором каждый из лучей соответствует определенному квантовому состоянию (рис. 3).

Рис. 3. Описание системы в Гильбертовом пространстве В обозначениях гильбертова пространства состояние системы будет записываться следующим образом В результате измерения состояние системы скачком переходит на одну из осей набора, соответствующего данному измерению. Причем выбор оси происходит случайным образом. Не существует динамического закона, который сказал бы нам, какая из осей будет выбрана. Её выбор случаен, а значения вероятностей определяются квадратом модуля амплитуды вероятности. Задача наблюдателя в случае предсказания заключается в оценке возможных альтернатив и выборе наиболее вероятной (рис. 4).

Рис. 4. Альтернативы в Гильбертовом пространстве Вместе с тем, говорить о полной неопределённости процесса перехода, по-видимому, некорректно. Так, академик Н.Н.Моисеев предполагает, что этот переход обусловлен принципом минимума диссипации, то есть отбор возможных состояний происходит на основе минимума расхода внешней энергии, хотя, как показал И. Пригожин, существуют системы, для которых этот принцип не работает.

Будем исходить из того, что имеем дело со сложными техническими системами, которые изначально были задуманы по своей природе и создавались как простые. Сложность их поведения обусловлена неучетом ряда факторов при проектировании, ошибками в процессе управления и эксплуатации, влиянием внешних факторов, в силу чего они из штатных состояний переходят в нештатные и, тем самым, из простых систем превращаются в сложные. Примем, что для таких систем, действующих на макроуровне и подчиняющихся физическим законам (в первую очередь, законам классической физики), принцип минимума диссипации является основным. Тогда, оценка возможных альтернатив поведения системы должна предполагать и оценку состояния внешней среды.

Исходя из изложенного выше, прогноз состояния сложной системы должен включать в себя две составляющие: прогноз сохранения гомеостаза и прогноз выхода из точки бифуркации, и должен производиться на основании анализа состояния, как самой системы, так и внешней среды.

При каких условиях решаема эта задача, существуют ли на сегодняшний день средства её решения? Представляется, что да, существуют.

Для её решения необходима система сбора и обработки информации (система оценки состояния), которая бы обеспечила наблюдаемость возможных состояний объединённой системы «объект – внешняя среда»

[3, 4]. При этом принципиальным является выполнение требования информационной избыточности системы. Данное требование обусловлено существенно некорректным характером решаемой задачи. Известно, что решение некорректных задач производится их регуляризацией путем целенаправленного привлечения дополнительной информации для формирования т.н. насыщенного носителя информации об объекте. Следовательно, система оценивания состояния сложной системы должна обеспечивать избыточность измерительную – в пространстве измеряемых параметров, избыточность алгоритмическую – в пространстве алгоритмов обработки измерительной информации и интеллектуальную избыточность – в пространстве методов анализа измерительной информации.

Рассмотрим возможные подходы к реализации указанных требований. Представляется, что требование избыточности измерительной может быть реализовано за счет технологий «умная пыль», требование избыточности алгоритмической – за счет технологий измерительного программирования, избыточности интеллектуальной – за счет технологий интеллектуального анализа данных.

«Умная пыль» – термин, используемый для описания сети из малых беспроводных микроэлектромеханических систем и дополнительных устройств, которые могут взаимодействовать между собой и получать данные о состоянии внешней среды (например, температуре, освещённости, давлении…). Предполагается, что базовые элементы «умной пыли» – моты (англ. moth – мошка), в итоге будут размером c песчинки или даже частицы пыли. Каждый мот имеет собственные сенсоры, вычислительный узел, коммуникацию и питание. Устройства умной пыли будут основаны на низковольтной и глубоко низковольтной наноэлектронике и включать микроисточники энергии вместе с твердотельными импульсными суперконденсаторами (наноионные суперконденсаторы).

Недавние разработки в области нанорадио могут использоваться как технологическая база для воплощения умной пыли на практике (рис. 5).

Выполненные на отдельных кристаллах кремния первичный преобразователь неэлектрической величины в электрическую, аналогоцифровой преобразователь, цифровой процессор совместно с запоминающим устройством, вторичный источник питания и солнечная батарея смонтированы на аккумуляторе, изготовленном в виде бескорпусной толстопленочной структуры. По вычислительным возможностям каждый датчик, как считают его разработчики, в перспективе будет соответствовать процессору «Intel 8086». Устройства внешней связи представлены блоками фотоприемника, лазерного передатчика и уголкового отражателя. В настоящее время обсуждаются различные методы, которые могут свести размеры мотов умной пыли в сетях датчиков от более миллиметра к микрометрам.

Группируясь вместе, моты автоматически создают очень гибкие сети с малым потреблением питания.

Такая сеть представляет собой «слой», позволяющий организовать обмен данными между двумя другими «слоями» – датчиками, с одной стороны, и информационной системой, в рамках которой они функционируют, с другой. Каждая «пылинка» представляет собой узел беспроводной сети обмена данными с ультранизким энергопотреблением. Передача данных осуществляется от узла к узлу, аналогично тому, как происходит передача пакетов в сети интернет – за исключением того, что в системе «умной пыли» применяется вместо TCP/IP иной протокол передачи данных вкупе со специальным программным обеспечением. Еще одно отличие в том, что разработана технология, позволяющая держать устройства в выключенном состоянии большую часть времени. Новая технология позволила добиться впечатляющего результата – отдельная «пылинка» на батарейках АА без их замены на сегодняшний день может проработать три года. Представляется, что применение датчиков «умной пыли» позволит наряду с информацией о внутреннем состоянии наблюдаемого объекта получать и информацию о состоянии близлежащей внешней среды. Для этого целесообразно создать своего рода «искусственную кожу» объекта, включающую сеть датчиков тех параметров внешней среды, информация о которых позволит высказать гипотезу о варианте поведения системы при условии реализации принципа минимума расхода внешней энергии.

Следующее требование алгоритмической избыточности может быть удовлетворено за счет применения технологий измерительного программирования, разработанных на их основе сред измерительного программирования, например LabVIEW [3, 5]. Среды измерительного программирования являются логическим продолжением функциональномодульного принципа построения измерительных систем, и могут быть определены как программно-модульные, где отдельные измерительные функции выполняются не техническими устройствами, а программными модулями (рис. 7) [5].

Рис. 7. Пример создания измерительной системы в среде Такая среда в рамках системы оценивания позволяет решать следующие задачи:

· организация первичной измерительной системы без внесения технических изменений в объект контроля с целью получения исходной измерительной и сигнальной информации о его состоянии и состоянии внешней среды;

· формирование информационно-адресной системы регистрации данных с целью их дополнительной обработки методами интеллектуального анализа;

· формирование базы знаний и данных алгоритмов обработки измерительной и сигнальной информации с целью выбора и реализации гибких технологий обработки измерений;

· создание измерительной системы «под задачу»;

· формирование систем обработки с элементами искусственного Перечисленные возможности сред измерительного программирования позволят оперативно решать задачи обработки избыточного массива измеряемых параметров, полученных в результате измерений датчиками «умной пыли».

Наиболее существенным представляется требование интеллектуальной избыточности, которое предполагается выполнить за счет технологий интеллектуального анализа данных или технологий Data Mining [2]. Термин Data Mining часто переводится как добыча данных, извлечение информации, раскопка данных, интеллектуальный анализ данных, средства поиска закономерностей, извлечение знаний, анализ шаблонов, «извлечение зерен знаний из гор данных», раскопка знаний в базах данных, информационная проходка данных, «промывание» данных. Эти технологии позволяют работать с системами, представляемыми в виде «черного ящика», обрабатывать данные различной природы, причем как количественные, так и качественные, и получать нетривиальные результаты. Для их реализации разработаны и активно используются аналитические платформы – специализированные программные комплексы, в том числе и отечественного производства, которые реализуют алгоритмы очистки, трансформации данных, Data Mining.

К числу задач анализа состояния сложных технических систем [2], решаемых с помощью методов Data Mining, можно отнести следующие:

1. Задача классификации – определение класса объекта по его характеристикам – как задача определения одного из штатных технических состояний системы.

2. Задача регрессии – определение по известным характеристикам объекта некоторых его параметров – как задача факторного 3. Задача поиска ассоциативных правил – нахождение частых зависимостей (ассоциаций) между объектами или событиями – как задача определения неявных зависимостей между параметрами системы, задача секвенционального анализа.

4. Задача кластеризации – поиск независимых групп (кластеров) и их характеристик во всем множестве анализируемых данных – как задача выделения и распознавания новых (нештатных) состояний, то есть задача идентификации.

5. С помощью результатов решения всех вышеперечисленных задач можно осуществить и прогноз состояния системы.

Сценарий обработки полученной об объекте измерительной информации позволяет реализовать множество алгоритмов анализа одновременно, получить комплексное заключение по результатам анализа технического состояния и, тем самым, реализовать требование интеллектуальной избыточности на практике.

Анализ ряда успешных применений Data Mining в технических приложениях позволяет утверждать, что методы Data Mining вполне применимы как средство анализа состояния «простой» системы, то есть как средство прогноза сохранения гомеостаза системы, и незаменимы при анализе «сложной» системы как средство прогноза выхода из точки бифуркации.

В целом можно констатировать, что анализ сложной технической системы должен проводиться как анализ системы «объект – внешняя среда». Такой анализ представляет собой крайне сложную задачу и может быть реализован только на принципах информационной избыточности с привлечением разнородных источников информации, разных алгоритмов обработки и анализа, а вся система в целом должна представлять собой интеллектуальную систему. В силу этого проблема анализа сложной системы может быть разрешена путем создания системы анализа с логикой, близкой к человеческому мышлению, способной к восприятию и обработке разнородных источников информации, как синтаксической, так и семантической. Такая система должна быть устойчивой по отношению к влиянию неопределенных факторов для обеспечения корректности анализа, что достигается практической реализацией принципа информационной избыточности с применением технологий «умной пыли», измерительного программирования и интеллектуального анализа – Data Mining.

Литература 1. Моисеев Н.Н. Человек и ноосфера. – М.: Молодая гвардия, 1990.

2. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. – СПб.: ПИТЕР, 2009.

3. Потюпкин А.Ю. Научно-методические основы решения задач анализа состояния объектов ракетно-космической техники в условиях неопределенности – М.: ВА РВСН, 2003.

4. Чечкин А.В. Математическая информатика. – М.: Наука, 1991.

5. http:// www.labview.ru

РЕШЕНИЕ ЗАДАЧ ОЦЕНКИ КОМПЕТЕНТНОСТИ СТУДЕНТА

С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА

ДАННЫХ

Алтайский государственный университет, г. Барнаул С 2011 года подготовка студентов осуществляется по новым федеральным государственным образовательным стандартам высшего профессионального образования (ФГОС ВПО). Основная особенность новых ФГОСов состоит в том, что они разрабатываются на основе компетентностного подхода. Одним из оптимальных путей формирования компетентности является создание соответствующей модели и встраивание ее в учебный процесс образовательных учреждений системы образования.

Учитывая сложность и неформализованность задач, связанных с оценкой компетентности студента, большое количество первичных факторов, которые необходимо учитывать, можно сделать вывод о необходимости использования специальных методов обработки информации.

Комплексная оценка компетентности выпускника требует разработки соответствующих контрольно-оценочных средств и технологий, методов накопления результатов и аналитических оценок состояния на каждом этапе. При моделировании многокомпонентных, сложных систем и разработке методов структурирования информации традиционно использовали иерархический подход [1] как методологический прием расчленения формально описанной системы на уровни.

При построении моделей первым этапом является системный анализ, позволяющий, по возможности, в максимальной степени структурировать задачу, перевести ее в разряд формализованных. В рамках этого подхода компетентностную модель выпускника можно представить в виде многоуровневой иерархической структуры, а сама задача построения комплексной оценки представляется в виде иерархического дерева подзадач, представленного на рисунке 1. На нижнем уровне оценивается множество частных компетенций, которые не подлежат дроблению на более мелкие и являются основой компетентностной модели.

Модель решения задачи представляет собой ориентированный граф без циклов и петель, узлами которого являются интеллектуальные компоненты ({yi, j, k,...}) с входными и выходными параметрами, а дуги отражают факт непосредственной функциональной зависимости параметров (узлов) друг от друга. Каждый узел сети может иметь любое конечное количество входящих и исходящих дуг.

Рис. 1. Представление комплексной задачи оценки компетентности Пройдя через все уровни графа, выделенные в процессе декомпозиции, на заключительном этапе рассчитывается значение комплексной оценки y0 при известном векторе частных показателей на основе значений вершин предшествующего уровня. Т.е. в общем виде задача комплексного оценивания компетентности студента ВУЗа может быть представлена в следующем виде.

Обозначим: N = {, 2,..., n} – множество частных критериев, оценки xi X i по которым принимают значения из множеств X i, i N, y0 Y – комплексная оценка, которая вычисляется в соответствии с процедурой ( x1, x2,K, xn ) X X i, Fi k – оператор преобразования информаx ции в k-ом узле.

В процессе прохождения через модель информация сжимается и, в конечном счете, сворачивается в единственный показатель – комплексную оценку. Однако все значения промежуточных вершин являются доступными. Такая схема агрегирования характерна для социальноэкономических объектов.

Решение задачи комплексной оценки уровня сформированности компетентности составляет последовательный интеллектуальный анализ данных.

Оценка уровня сформированности компетенций нижнего уровня производится на основании множество показателей x = ( x1, x2,K, xn ) (тематической области компетенции), в качестве которых могут выступать результаты устных опросов (собеседование, коллоквиум, зачет, экзамен), письменных работ (тесты, контрольные работы, эссе, рефераты, курсовые работы, научно-учебные отчеты по практике, отчеты по научно-исследовательской работе студентов), анкетирования, компьютерного тестирования, опросов экспертов (преподавателей) и т.д. Социальноличностные характеристики также обусловлены направлением подготовки и могут быть оценены, как по результатам освоения некоторых дисциплин, так при помощи психологических тестов на темперамент, уровень ответственности, конфликтности и др.

В зависимости от характера показателя оценки он может принимать различные допустимые значения и измеряться в разных шкалах (таблица 1).

Типы квалиметрических шкал для оценки компетентности студентов Результаты тестов на определение Накопление частот (для послеНоминальная Тесты на определение степени вы- Накопление частот, добавление Порядковая раженности какого-либо признака, постоянной, умножение на поэкзаменационные оценки, рейтинги стоянную Результаты психофизических тестов Любые арифметические дейстКоличественная Следующим этапом анализа является очистка и предобработка данных, которая заключается в выявлении аномалий и дубликатов, обработке пропусков и нормировании.

Аномальные значения требуют большого внимания при подготовке данных к анализу. Большинство таких значений является ошибкой ввода.

Часть аномальных значений вызвана исключительными обстоятельствами, и не отражают реальную ситуацию в исследуемом процессе. С другой стороны, исследование аномального поведения данных позволит прогнозировать условия, вызывающие аномальные события и их последствия, исследовать реакцию на аномальные изменения условий. Дубликаты также весьма распространенные явления в данных. Дубликатами являются просто одинаковые данные (записи). Они могут дублировать информацию об одном и том же событии, а могут содержать идентичную информацию о двух различных, но похожих событиях. В первом случае дубликаты должны быть просто удалены, а во втором случае требуют более тонкой обработки.

Переменные, используемые для оценки компетентности, могут быть измерены в разных единицах измерения (например, оценка за экзамен и результат тестирования). Чтобы избежать «доминирования» переменных с большим масштабом измерения, предлагается провести предварительную нормировку исходных переменных. Для вещественных переменных могут быть использованы следующие методы нормировки:

где z1, z2, z3, z4 – нормированные значения переменной x, x – среднее значение переменной, xmax – максимальное значение переменной x, xmin – минимальное значение переменной x, s – среднеквадратическое отклонение переменной x.

После построения модели структуры решения задачи и предобработки производится выбор методов решения в узлах графа связей задач.

Основными видами организации функциональной зависимости между параметрами в данной работе являются:

· аналитические зависимости;

· экспертные системы на основе продукционных правил;

· нейросетевые системы.

Выбор метода решения для каждой задачи обуславливается сложностью решаемой проблемы. Автором были выделены характеристики задач, по которым определяется их сложность.

1. Размерность задачи. Под размерностью задачи будем понимать количество рассматриваемых переменных. Размерность задачи определяется тематической областью формирования компетенции. Выделяют задачи малого, среднего и большого размера.

2. Динамичность изменения проблемной области. Выраженная динамичность социально-экономических процессов проявляется в непрерывном изменении их параметров, а то и структуры системы, в которой протекают эти процессы. Часть подзадач оценки компетентности являются динамичными задачами, что определяется следующими факторами:

· компетентностная модель строится на основании требований работодателя, чьи требования к выпускникам постоянно меняются;

· появлением новых учебных дисциплин и дополнительных · развитием существующих форм обучения и появлением новых форм обучения.

3. Наличие или отсутствие формальной методики решения задачи, т.е. часть подзадач оценки компетентности может быть решена с помощью существующих, апробированных на практике методик, для решения других необходимо разработка методов решения.

4. Характер входных показателей, в том числе наличие или отсутствие обучающих примеров.

Рассмотрим возможности применения рассматриваемых методов представления знаний в соответствии выделенными критериями сложности задачи.

Аналитические формулы можно использовать для решения задач малого и среднего размера, как правило, детерминированных. Построение аналитических зависимостей затруднено для большого числа количественных показателей, а также качественных показателей. Аналитические зависимости имеют ряд преимуществ по сравнению с другими видами моделей. Во-первых, развитые математические методы позволяют преобразовывать выражения для получения наиболее удобного вида модели, характеризующей поведение исследуемой системы. Таким образом, можно провести анализ в общем виде, определить оптимальные соотношения параметров для эффективного управления. Во-вторых, при подстановке численных значений параметров можно контролировать адекватность модели. При этом, однако, для эффективного применения аналитические модели не должны быть слишком сложными.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (Условие), то (Следствие) [2]:

(Условие 1) & (Условие 2)...(Условие T ) ® (Следствие ).

Продукционные экспертные системы можно использовать для разрешимых и трудно разрешимых задач малого размера. В случае рассмотрения новых показателей требуется пересмотр правил. Продукционная модель, основанная на правилах, позволяет использовать как количественные, так и качественные показатели. Продукционные экспертные системы привлекают наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода [3].

Правила продукции разрабатываются с помощью экспертов в данной предметной области. Экспертная деятельность в области образования – система действий, выполняемых с привлечением экспертов, для анализа и оценки качества образовательного процесса с целью повышения обоснованности принимаемых решений в условиях частичной неопределенности, противоречий или конфликтов. В качестве экспертов могут выступать студенты, выпускники вуза, потенциальные работодатели и преподаватели. Одним из существенных условий повышения надежности экспертных оценок социальных объектов является научно обоснованный отбор и формирование экспертной группы. Точность групповой оценки экспертов зависит от численности экспертной группы: уменьшение числа экспертов ведет к снижению точности оценок, т. к. оценка каждого эксперта приобретает больший вес, увеличивается роль субъективного фактора. Однако при большом количестве участников экспертизы усложняется обработка их суждений, становится сложным выявить согласованность их мнений [4].

В качестве инструментария для построения продукционных моделей может быть использован метод построение деревьев решений С4.5.

Деревья решений являются наиболее распространенным в настоящее время подходом к выявлению и визуализации логических закономерностей в данных. Каждому узлу сопоставлен некоторый признак, а ветвям – либо конкретные значения для качественных признаков, либо области значений для количественных признаков.

Искусственные нейронные сети представляют собой средства вероятностного моделирования данных. Нейронные сети – обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций [5].

Нейронные сети особенно продуктивны в решении слабоструктурированных проблем, так как обычно эксперт может легко структурировать проблему до уровня «черного ящика». Нейронные сети позволяют решать задачи, для которых нет информации о методах решения, но есть статистический материал. Таким образом, сети можно использовать для решения трудно разрешимых задач. Они могут оперировать с большим числом показателей. Нейронные сети обладают способностью дообучаться, т.е. могут быть пригодны для изменчивых и нестабильных задач.

Искусственные нейронные сети могут быть использованы для решения ряда типов задач оценки компетентности студента ВУЗа. Первый тип представляет задачу обучения с учителем и определяется следующим образом.

Пусть в качестве исходных данных имеем матрицу R:

Строки с 1 по l называют задачником, в котором выделяют обучающую и тестовую выборки. Обработка при помощи нейросети строк с l + 1 по l + p – процесс решения задачи. В матрице R строки с 1 по l содержат сведения о значениях параметров студентов, в столбце y содержатся экспертные оценки их компетентности. На основе обучения по строкам с по l программа заполняет столбец y в строках с l + 1 по по l + p, давая оценку другим студентам ВУЗа.

Второй тип представляет задачу обучения без учителя. Сеть такого типа рассчитана на самостоятельное обучение, во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы на кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием «близости». К такому типу задач можно отнести обработку данных социологических исследований, тестирование студентов с целью определения их профессиональной направленности.

Одним из методов обучения без учителя являются самоорганизующиеся карты Кохонена.

Необходимо заметить, что выбор метода решения для каждого узла условен. Более точно можно определить, попробовав использовать все методы. Метод, дающий наименьшую ошибку при тестировании, является оптимальным для данного узла.

Все этапы решения задачи оценки компетентности были реализованы с использованием аналитической платформы Deductor [6].

Предложенная модель при решении задач оценки компетентности студента дает определенные преимущества. Во-первых, для разных подзадач можно использовать разные методы решения. Часть подзадач проще решить при помощи формальных методик, другие – неформализованные, но имеющие логическую прозрачность – при помощи традиционных экспертных систем. Причем в структуру такой системы могут входить блоки, реализующие математические методы, экспертные системы, основанные на правилах продукций и др., а также нейросетевые элементы. Во-вторых, при изменении в механизме решения одной из подзадач не возникает необходимости в корректировке остальных. Втретьих, можно применить различные методы решения к одной и той же задаче и сравнить результаты решения. В-четвертых, агрегирование информации в рамках гибридной модели не приводят к ее потере, все данные вплоть до первичных могут быть восстановлены.

Литература 1. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. 344 с.

2. Абдикеев Н.М. Проектирование интеллектуальных систем в экономике: Учебник /Под ред. Н.П. Тихомирова. – М.: «Экзамен», 2004. – 528 с.

3. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф.

Хорошевский. – СПб.: Питер, 2001. – 384 с.

4. Берестнева О.Г., Марухина О.В. Компьютерная система принятия решений по результатам экспертного оценивания в задачах оценки качества образования // Образовательные технологии и общество (Educational Technology & Society) Т. 5, Вып. 3. – Казань, 2002. – С.216-230.

5. Андрейчиков А. В. Интеллектуальные информационные системы: учебник для вузов / А. В. Андрейчиков, О. Н. Андрейчикова. – М.: Финансы и статистика, 2004. – 424 с.

6. http://basegroup.ru

ИСПОЛЬЗОВАНИЕ DEDUCTOR ДЛЯ ОЦЕНКИ

ПРОДОЛЖИТЕЛЬНОСТИ ЖИЗНИ В ОТДЕЛЬНОМ РЕГИОНЕ

Машинцов Е.А., доцент, Найденов А.А., аспирант, Тульский государственный университет, г. Тула На сегодняшний день одной из основных проблем, с которыми сталкиваются муниципальные органы управления, это эффективное использование бюджетных средств, которых, как правило, недостаточно для решения всего комплекса проблем. В связи с этим возникает задача оптимального распределения ограниченных ресурсов для достижения максимальной пользы для общества и, как его составляющей, отдельно взятого человека [1].

Для решения данной задачи управления было бы удобно иметь некую величину для измерения среднего благосостояния населения. Существует несколько показателей качества жизни (далее КЖ), все они в той или иной форме включают такие факторы как: ожидаемую продолжительность жизни, здоровье, семейную и общественную жизнь, материальное благополучие, уровень образования, политическая свобода, климат и др. Следует отметить, что многие из этих факторов являются крайне субъективными, их измерение возможно только посредством опросов и зачастую не существует модели, которая бы могла связать изменение показателя и израсходованные средства. Более того, некоторые из факторов (например, климат или политическая ситуация в стране) не подконтрольны местным органам власти. Т.е. широко используемые индексы качества жизни плохо подходят для принятия управленческих решений.

Среди составляющих интегральных показателей КЖ особое место занимает средняя продолжительность жизни. С одной стороны, это неоспоримо важный фактор для каждого человека, с другой стороны, на него в той или иной мере оказывают влияние все остальные факторы, иными словами, он является неким интегральным показателем КЖ. Достоинством данного показателя является простота и объективность его измерения. Все это позволяет использовать среднюю продолжительность жизни в качестве оптимизируемой величины при решении задач управления на муниципальном уровне.

Прежде чем приступить к задаче оптимизации необходимо выделить и определить силу воздействия факторов, которые влияют на среднюю продолжительность жизни. Это представляется довольно сложной задачей из-за большого их числа, однако в случае принятия управленческих решений на местном уровне можно ограничиться только факторами, которые поддаются изменению, и рассматривать все остальные в качестве фона.

В данной работе мы предлагаем метод оценки изменения средней продолжительности жизни в отдельном регионе при варьировании тех или иных факторов. В частности мы приводим пример изучения влияния загрязнения воздуха на население г. Тулы с использованием пакета Deductor (более подробный анализ экологической ситуации в г. Тула можно найти в [1]).

Для построения модели территория города была разбита на квадраты размером 500500 метров. В каждом дискрете была измерена концентрация загрязняющих веществ в воздухе, а именно следующих химических элементов: Al, Ca, Cr, Cu, Fe, K, Mn, Ni, Pb, Sb, Sn, Ti, Zn. Также была получена информация о среднем возрасте умерших для каждого квадрата. Если предположить, что загрязнение воздуха вносит большой вклад в сокращение продолжительности жизни, а также, что другие негативные воздействия в среднем рассредоточены равномерно по городу, то, используя нейросеть, можно выделить влияние химического состава человека на исследуемую величину.

Нейронная сеть не накладывает ограничений на зависимость выходных данных от входных, таким образом, при выполнении упомянутых выше предположений вместо или наряду с информацией о воздухе можно исследовать влияние других факторов на продолжительность жизни, например, экономических и социальных. Однако большое количество входных параметров при небольшом объеме обучающего множества сделает обучение сети невозможным [2]. В документации к пакету Deductor приводится следующее правило для выбора числа нейронов в скрытом слое: «количество связей между нейронами должно быть примерно на порядок меньше количества примеров в обучающем множестве». Если рассмотреть сеть с одним скрытым слоем и одним выходом, то количество связей в ней (Nlink) задается выражением:

где Ninput – количество входов, Nhidden – количество нейронов в скрытом слое. Таким образом:

где N – размер обучающей выборки. Количество дискретов, которые используются для тренировки сети, в случае г. Тулы около 300. Если в качестве входных параметров использовать концентрации химических веществ, то мы должны использовать Nhidden < 2,2. Сеть из 2-х нейронов не способна смоделировать зависимость выхода от входов и процесс обучения не сможет сойтись [3].

Непосредственное использование первичных данных в процессе обучения в данном классе проблем обладает еще одним недостатком.

Значения концентрации химических веществ в воздухе отдельного города сильно коррелированны между собой. Это связано, во-первых, с небольшим набором типов источников загрязнения (транспорт, котельные, химические и металлоперерабатывающие предприятия), во-вторых, с относительной схожестью ими выбрасываемых элементов. Подобные корреляции сильно затруднят обучение сети и интерпретацию результатов.

Предварительное обнаружение этих зависимостей позволит выявить ограничения для построенной модели, а именно наборы элементов, влияние которых на человека невозможно различить, используя имеющийся набор данных без привлечения физиологических моделей организма.

Данное ограничение сильно уменьшает круг задач, которые можно решать таким подходом. Однако мы в первую очередь интересуемся проблемой улучшения КЖ населения в конкретном регионе, в котором источники загрязнения выбрасывают химические вещества в пропорциях близких к концентрациям присутствующим в воздухе данного региона.

Таким образом, даже если нейросеть не будет способна различить влияние отдельных химических веществ, то она будет способна предсказать изменение продолжительности жизни при уменьшении выбросов на одном из источников в конкретном регионе. А именно такой вопрос и стоит при принятии решения об улучшении КЖ.

Результат факторного анализа загрязнения атмосферы г. Тулы (для наглядности веса факторов < 0,2 заменены символом «-») Для построения модели, которая может предсказать изменение продолжительности жизни при варьировании определенного набора факторов, мы использовали пакет Deductor. В процессе работы были проделаны следующие шаги.

· Данные по смертности и химическому составу воздуха импортированы из текстовых файлов в таблицы. Площадь города была разбита на 750 дискретов размером 500500 метров.

· Две таблицы объединены по уникальному индексу, присвоенному каждому квадрату на карте города.

· При помощи фильтра были отброшены дискреты, в которых количество смертей было меньше 10, так как они не несут статистически достоверной информации. В результате обработки осталось 238 записей пригодных для дальнейшего анализа.

· Проведен факторный анализ по 13 характеристикам химического состава воздуха: Al, Ca, Cr, Cu, Fe, K, Mn, Ni, Pb, Sb, Sn, Ti, Zn. Оставлены 5 факторов, которые объясняют 82% дисперсии исходных данных (таблица 1).

· Используя 5 факторов в качестве входов и средний возраст в момент смерти, обучена нейросеть с одним скрытым слоем и · Полученная нейросеть может быть использована для предсказания изменения продолжительности жизни при изменении экологической обстановке в городе.

В общем случае интерпретация результатов факторного анализа затруднительна, поскольку факторы характеризуют дисперсию исходных случайных данных. Однако значения концентраций, рассматриваемые в данной работе, были измерены на регулярной сетке, покрывающей густонаселенные районы города. Таким образом, факторы характеризуют распределение вредных веществ в городе и зависят от расположения и типов источников загрязнения. Например, можно заметить, что веса фактора 1 (см. таблицу 1) для большинства элементов положительны и лежат в диапазоне 0,3-0,7, а его вклад составляет 25% от общей дисперсии.

То есть можно считать, что фактор 1 характеризует некий средний уровень загрязнения воздуха в городе. Интерпретация остальных компонент не так очевидна и требует более сложного математического анализа.

Как уже было отмечено, использование факторов позволяет облегчить обучение нейронной сети, так как в процессе анализа исключаются все корреляции, присутствующие в исходных данных. Результаты тренировки сети с одним скрытым слоем и 5 нейронами приведены на рис. 1.

Данные по 238 дискретам были разбиты на обучающее и тестовое множества в отношении 90% и 10% соответственно. Линейная независимость факторов позволила достичь распознавания 92% обучающих и 88% тестовых примеров. Визуально из рис. 1 можно заметить, что большинство результатов моделирования нейронной сетью лежат в диапазоне 3-4 года от исходных данных.

Рис. 1. Диаграмма рассеяния после обучения нейронной сети Рис. 2. График зависимости средней продолжительности жизни от фактора Пакет Deductor позволяет построить зависимость выхода нейронной сети от одного из входов, результат для фактора 1, который соответствует общему уровню загрязнения в городе, приведен на рис. 2. Даже если учесть, что ошибка моделирования данной нейронной сетью составляет 3-4 года, средняя продолжительность жизни уменьшится с 68 до приблизительно 54±3 лет при увеличении концентрации. Значение фактора 1, равное 8, приблизительно соответствует 2-х кратному уровню загрязнения атмосферы от текущего среднего значения по городу. Влияние отдельных химических компонентов в рамках данного подхода на здоровье человека требует дальнейшего более глубокого анализа и затруднительно средствами пакета Deductor.

Предложенный в данной работе подход к анализу влияния загрязнения атмосферы на среднюю продолжительность жизни может быть обобщен и на другие типы воздействий как экологические, так и социальные и экономические. Более того, используя в качестве выходного параметра нейросети частоту заболевания той или иной болезнью, можно построить модель для предсказания влияния различных факторов на здоровье населения.

Литература 1. Машинцов Е.А., Кузнецов А.А., Лебедев А.М., Новосельцев В.Н., Математические модели и методы оценки экологического состояния территорий. – М.: Издательство физикоматематической литературы, 2010.

2. James A. Freeman, David M. Skapura, Neural Networks Algorithms, Applications and Programming Techniques, Adison-Wesley, 1991.

3. Raul Rojas, Neural Networks A Systematic Introduction, SpringerVerlag, Berlin, 1996.

ПРИМЕНЕНИЕ МЕТОДОВ ИНТЕЛЛЕКУАЛЬНОГО АНАЛИЗА

ДАННЫХ В МОНИТОРИНГЕ И ОЦЕНКЕ ИННОВАЦИОННОЙ

АКТИВНОСТИ ОРГАНИЗАЦИЙ ПРОМЫШЛЕННОСТИ

Мороз О.А., доцент, филиал «Взлет» федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Московский авиационный институт (национальный исследовательский университет)»

В настоящее время мы являемся свидетелями перехода в постиндустриальную эпоху развития, которую также называют «информационным обществом», «обществом знаний» ввиду той роли, которую в ней играют знания и информация, а также «обществом услуг», так как в этом новом обществе все большая часть трудоспособного населения переходит на работу в сферу услуг [1].

В Концепции долгосрочного социально-экономического развития Российской Федерации на период до 2020 года подчеркивается, что с переходом в ближайшее десятилетие развитых стран к формированию новой технологической базы, основанной на использовании фундаментальных научных идей и достижений, прорывных технологий во всех системах жизнеобеспечения человека в целях устойчивого инновационного развития, целью является не стремление «догнать» какие-то страны, используя заимствованные у них методы и технологии, а достичь более высокого уровня развития, создать качественно новую социальную, экологическую, хозяйственную реальность. Такой представляется наиболее результативная линия [2].

Экономика знаний предъявляет высокие требования к профессиональной грамотности, знаниям умениям выпускников экономических специальностей.

В то же время, независимые опросы зарубежных исследователей показывают, что около половины (47%) компаний отметили, что не так легко найти и нанять квалифицированного инженера или техника. И для большинства компаний это вопрос наличия, а не вопрос стоимости.

Еще одной проблемой является качество образования. Из числа опрошенных руководителей, 35% оценивают качество университетского образования сегодняшних выпускников как низкое, по сравнению с 41% тех, кто склонен говорить, что этот уровень качества является высоким.

Из числа опрошенных, 51% оценили уровень выпускников профессионально-технических училищ и колледжей, как низкий и недостаточный для нужд своих компаний, в то время как положительные оценки дали только из 23% респондентов [3].

В сложившихся условиях, одной из стратегических составляющих устойчивого прогресса качества экономического образования становится освоение современной инструментальной базы, основанной, в том числе, на применении интеллектуальных информационных технологий.

Круг вопросов, решаемых в рамках применения современной технологии знаний, становится все более масштабным, расширяя не только горизонты восприятия традиционной аналитической информации для целей принятия решений, но и обогащая заинтересованных пользователей новыми формами ее получения.

В процессе обучения в рамках ряда дисциплин («Экономика отрасли», «Экономика предприятия», «Бизнес-планирование», «Прогнозирование», «Менеджмент исследований и разработок», «Инновационный менеджмент» и др.), учитывающих различные инновационные аспекты социально-экономического развития, возникает необходимость исследования различных аспектов инновационного развития отдельных субъектов, сегментов и рынков в целом, как одной из задач формирования целостного и системного восприятия происходящих социальноэкономических процессов и развития навыков сбора, оценки и интерпретации экономической информации у обучаемых.

Расширение аналитического кругозора, практического и научнотеоретического базиса студентов также служит основой для развития навыков индивидуальной самостоятельной работы в процессе дипломного и курсового проектирования.

В связи с этим, определенный интерес представляет организация мониторинга различных параметров инновационного развития организаций промышленности в рамках активного освоения экономических образовательных дисциплин.

Росстат в установленном порядке осуществляет статистические наблюдения за инновационной деятельностью организаций промышленности и малых предприятий, используя следующую терминологию [4].

· Организации, осуществлявшие технологические инновации – организации, осуществлявшие разработку и внедрение новых или усовершенствованных товаров, работ, услуг, технологических процессов или способов производства (передачи) услуг и иные виды инновационной деятельности.

· Инновационная активность организации характеризует степень участия организации в осуществлении инновационной деятельности в целом или отдельных ее видов в течение определенного · Уровень инновационной активности организаций определяется как отношение числа организаций, осуществлявших технологические, организационные или маркетинговые инновации, к общему числу обследованных за определенный период времени · Технологические инновации представляют собой конечный результат инновационной деятельности, получивший воплощение в виде нового либо усовершенствованного продукта или услуги, внедренных на рынке, нового либо усовершенствованного процесса или способа производства (передачи) услуг, используемых в практической деятельности.

Мониторинг выступает в данном случае,как специально организованное наблюдение и отображение в определенных формах системной информации о различных параметрах инновационного развития организаций промышленности.

Современные системы мониторинга являются не только системами пассивной регистрации наблюдаемых явлений, но выступают как специальная контрольная среда, позволяя создать необходимую информационную систему поддержки управленческих решений, являясь также основой разработки перспективной политики в динамично изменяющихся условиях.

В качестве одного из направлений мониторинга различных параметров инновационного развития организаций промышленности выступает исследование воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности по направлениям инновационной деятельности.

Цель исследования – оперативное представление информационного образа воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности, характеризующегося определенным набором параметров в заданный момент времени.

Задачи исследования – сбор, аналитическая обработка, оценка и интерпретация инновационных процессов на промышленных предприятиях.

В качестве информационной базы использованы материалы государственных статистических наблюдений Росстата1.

Обобщение, оценка и интерпретация воздействия результатов инновационной деятельности на развитие организации в общем числе инновационно-активных организаций промышленности была реализована средствами технологической платформы для создания законченных аналитических решений Deductor Academic.

Аналитическая платформа Deductor Academic обладает широким арсеналом средств решения поставленных задач, которые характеризуются возможностями:

· импорта и хранения данных;

· обработки данных;

· визуализации информации.

В целях установления характеристик воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности исходные данные были подвергнуты интеллектуальному анализу с использованием самоорганизующихся карт Конохена.

http://www.gks.ru/ Для этого последовательно осуществлялись шаги [6]:

· импорт данных в формате *.txt;

· обработка данных с применением метода Data Mining в форме самоорганизующихся карт Кохонена;

· визуализация результатов.

Самоорганизующиеся карты могут использоваться для решения таких задач, как моделирование, прогнозирование, поиск закономерностей в больших массивах, выявление наборов независимых признаков и сжатие информации. Наиболее распространенное применение сетей Кохонена – решение задачи классификации без учителя, т.е. кластеризации [5].

Задача использования самоорганизующихся карт Кохонена в проведении мониторинге различных параметров инновационного развития сводится к использованию возможностей интеллектуального анализа для поиска закономерностей в массиве информации о воздействии результатов инновационной деятельности на развитие инновационно-активных организаций промышленности.

Импорт данных осуществляется последовательно в несколько этапов с использованием Мастера импорта. Процесс импортирования данных предполагает поэтапную настройку формата и других параметров, а также возможность способов отображения информации. Результат импорта данных представлен на рис. 1.

Исходные данные представлены в виде стандартной таблицы, и повторяют логику представления исходной информации.

С использованием Мастера обработки, производится соответствующая настройка параметров для обрабатываемой информации. Для конкретного случая все поля, кроме поля заголовка, принимаются как входные, а в обучающее множество включаются все данные.

При выборе параметров кластеризации количество кластеров устанавливалось вручную.

На следующих этапах в автоматическом режиме определяются параметры карты Кохонена и параметры ее обучения.

После завершения процесса построения карты в настройках изображения карты Кохонена устанавливаются параметры ее отображения.

В результате кластеризации по степени оценки воздействия результатов инновационной деятельности на развитие организации в общем числе инновационно-активных организаций промышленности были выделены 5 кластеров (рис. 2).

Рис. 2. Результаты кластерного анализа оценки воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности Каждый из кластеров характеризуется определенным уровнем воздействия результатов инновационной деятельности на развитие промышленных организаций или их отсутствием в разрезе различных направлений и сфер этой деятельности.

Визуализированные результаты дают основания для многочисленных интерпретаций на предмет воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности в разрезе определенных направлений.

Дополнительные сведения о параметрах кластеров позволяют получить такие инструменты отображения, как матрица расстояний, матрица ошибок квантования, матрица плотности попадания и др.

Полученная в результате построения карт Кохонена группировка результатов представлена в таблице 1, которая составлена с использованием Excel.

Результаты мониторинга и оценки воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности Улучшение качества товаров, работ, Сохранение традиционных рынков Расширение ассортимента товаров, Улучшение информационных связей внутри организаций или с другими Снижение загрязнения окружающей Повышение энергоэффективности Сокращение затрат на заработную Внедрение товаров, работ, услуг на Внедрение товаров, работ, услуг на новые рынки сбыта в новые группы Использование статистики при выборе фильтра по кластеру дает возможность анализа каждого кластера. Визуализатор Профили кластеров обеспечивает представление статистических характеристик кластеров. Использованием визуализаторов Диаграмма и Гистограмма также обеспечивается графическое представление результатов [6].

Кластер 1 характеризуется результатами инновационной деятельности по тем направлениям, где достигнуты наиболее убедительные результаты, которые характеризуются убедительной степенью воздействия результатов инновационной деятельности на развитие производства по уровням «высокая» (более 38 %) и «средняя» (более 37 %). Степень «низкая» по этим направлениям фиксируется реже, чем положительный результат и его «отсутствие» (при рассмотрении средних значений).

Можно увидеть, что инновационная деятельность для этой совокупности была направлена на: «Улучшение качества товаров, работ, услуг», «Сохранение традиционных рынков сбыта», «Расширение рынков сбыта», Расширение ассортимента товаров, работ, услуг» и «Обеспечение соответствия современным техническим регламентам, правилам и стандартам».

Кластер 2 характеризуется менее удовлетворительными результатами по совокупности направлений инновационной деятельности. Достигнутые результаты встречаются более чем в 2 раза реже, чем в лучшей по этому критерию, выборке. В целом, степень воздействия характеризуется хорошими уровнем для «средней» степени воздействия инновационной деятельности на развитие производства, в значительной части, результаты характеризуют степень как «низкая» и даже «отсутствие» более, чем в 50 % случаев (также при рассмотрении средних значений).

Предметом приложения усилий в инновационной деятельности для этой совокупности являлись: «Улучшение информационных связей внутри организаций или с другими организациями», «Увеличение занятости», «Сокращение материальных затрат», «Снижение загрязнения окружающей среды», «Повышение мотивации к осуществлению инновационной деятельности».

Кластер 3 характеризуется, преимущественно, «средними», «низкими» результатами и их «отсутствием». «Высокая» степень воздействия зафиксирована, в среднем, для 22% случаев.

В эту совокупность направлений инновационной деятельности попали: «Улучшение условий и охраны труда», «Рост производственных мощностей», «Повышение энергоэффективности производства», «Повышение гибкости производства».

Кластер 4 обращает на себя внимание, в первую очередь, самым низким уровнем «высокой» степени воздействия результатов инновационной деятельности на развитие производства, в среднем, около 11% и самым высоким уровнем «низкой» степени воздействия результатов инновационной деятельности на развитие производства, в среднем, почти 66%. Около 24% внедрений дают «среднюю» или «низкую» степень воздействия.

Данный кластер представлен результатами в направлениях: «Сокращение затрат на заработную плату», «Сокращение времени на взаимодействие с клиентами или поставщиками», «Внедрение товаров, работ, услуг на новые географические рынки».

Кластер 5 характеризуется самыми высокими уровнем «низкой»

степени воздействия результатов инновационной деятельности на развитие производства, в среднем, порядка 64%. Только не более, чем в 16,5 % случаев фиксируется «высокая» степень воздействия, при этом «средняя» степень фиксируется чаще, чем «низкая» при ориентации на средние значения показателей.

Рассматриваемую совокупность составили такие направления, как «Замена снятой с производства устаревшей "продукции"» и «Внедрение товаров, работ, услуг на новые рынки сбыта в новые группы предприятий».

В целом, для инновационно-активных предприятий промышленности, можно отметить заметно недостаточную эффективность мероприятий, направленных на снижение себестоимости за счет более эффективного использования труда, проникновение на новые географические сегменты и сокращение цикла взаимодействия с потребителями и поставщиками, хотя частично усилия по сохранению и некоторому расширению рынков сбыта относительно результативны, равно, как и расширение ассортиментных линеек. Достаточно перспективными являются инновации, направленные на положительные качественные изменения результатов производственной деятельности, в том числе за счет обеспечения соответствия установленным уровням требований.

На основе полученных данных могут быть сделаны более детальные аналитические выводы для целей принятия решений по результатам мониторинга, оценки и интерпретации воздействия результатов инновационной деятельности на развитие инновационно-активных организаций промышленности, в том числе с использованием дополнительных информационных массивов.

Применение аналитической платформы Deductor позволяет проводить многоаспектные исследования с использованием различных инструментов обработки информации. В частности, аналитическая платформа позволяет решать задачи группировки и кластеризации с использованием самоорганизующихся карт Кохонена, обеспечивая выделение из совокупности объектов одинаковой природы некоторого количества относительно однородных групп с объединением их в кластеры.

При этом объединение объектов в группы (кластеры) происходит исходя из принципов соблюдения минимальных внутригрупповых и максимальных межгрупповых различий.

В результате достигается цель кластеризации (группировки) однородных объектов внутри их совокупности, что, в свою очередь, позволяет:

· выявить признаки, лежащие в основе группировки объектов;

· применять не только объектный, но и групповой подход к представлению информации, ее аналитическому использованию и · агрегировать информацию без потери ее информационной ценности;

· использовать полученные результаты, как для принятия решений, так и для формирования новой информационной базы в практических и теоретических, научно-образовательных целях.

Приведенный пример демонстрирует значительный потенциал аналитической платформы Deductor, что определяет ее востребованность в решении широкого круга научно-образовательных задач обработки информации с использованием интеллектуальных методов анализа данных, в том числе при осуществлении мониторинга, оценки и интерпретации инновационной активности организаций промышленности. В результате внедрения и использования аналитических информационных систем в составе инструментальной образовательной базы достигается цель формирования у обучаемых системы теоретических знаний, практических умений и навыков для осуществления эффективной учебной и исследовательской деятельности.

Литература 1. Тимофеева В.В. Методологические особенности организации инновационного образовательного комплекса [Электронный ресурс] / В.В. Тимофеева // Электронное научное издание «Устойчивое инновационное развитие: проектирование и управление». – 2010. – Том 6, №2. – Режим доступа: http://www.rypravlenie.ru/?p=127, свободный.

2. Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года, утв. Распоряжением Правительства Российской Федерации от 17 ноября 2008 г. № 1662-р // Собрание законодательства РФ. – 24.11.2008. – № 47, ст.

3. Prazdnichnykh A., Liuhto K. Can Russian companies innovate? - Views of some 250 Russian CEOs [Электронный ресурс] / Alexey Prazdnichnykh, Kari Liuhto // PEI Electronic Publications. – 21/2010. – Режим доступа: http://www.tse.fi/FI/yksikot/erillislaitokset/pei/ Documents/Julkaisut/Prazdnichnykh_Liuhto_final.pdf, свободный.

4. Указания по заполнению форм федерального статистического наблюдения № 2-наука «Сведения о выполнении научных исследований и разработок», № 3-информ «Сведения об использовании информационных и коммуникационных технологий и производстве связанных с ними товаров (работ, услуг)», № 4-инновация «Сведения об инновационной активности организации», утв. Приказом Росстата от 19.01.2009 № 4 // Вопросы статистики. – 2009. - № 6.

5. Data Mining: Учебное пособие / И. А. Чубукова. – М.: ИнтернетУниверситет Информационных Технологий, 2008.

6. Паклин Н. Б. Орешков В.И. Бизнес-аналитика: от данных к знаниям (+CD): Учебное пособие. 2-е изд. – СПб.: Питер, 2010.

ИНФОРМАЦИОННАЯ МОДЕЛЬ

ХРАНИЛИЩА ДАННЫХ КАФЕДРЫ ВУЗА

Бондарь И. А., доцент, Назарова С. А., преподаватель, Харьковский национальный экономический университет, г. Харьков В логической цепи, ключевыми звеньями которой выступают «уровень образования учащихся – уровень профессионализма работников – эффективность деятельности предприятия», одним из ведущих факторов выступает менеджмент такого высшего учебного заведения. В свою очередь, правильность управленческих решений на всех уровнях менеджмента вуза напрямую зависит от полноты учета, степени структуризации, достаточности предобработки и синхронизации данных, характеризующих оперативную внутреннюю и внешнюю деятельность такого рода организации, т.е. консолидации имеющейся информации, максимальная эффективность которой проявляется в составе информационноаналитической системы вуза и его информационно-образовательной срезы.

Нынешний этап развития программно-аппаратных средств автоматизации деятельности вуза (в составе которых обязательно имеют место инструменты хранения и консолидации информации) характеризуется следующим.

· Использование полифункциональных продуктов, таких как ВРМ (Business Performance Management, системы управления бизнес-процессами), ERP (Enterprise Resource Planning, системы управления ресурсами), которые охватывают практически все уровни управления вузом. Таким продуктом выступает система «Университет» компании «РЕДЛАБ» [1]. Основными особенностями инструментов хранения (в основном, это базы данных) данных в рамках подобных систем является выделенные для этого значительные мощности и универсальные для всех предприятий структуры метаданных, адаптация которых к полному учету оперативной информации о деятельности конкретного вуза требуют огромной методической работы, длительного и постоянного системного администрирования.

· Разработанность монофункционального инструментария для фиксации данных и консолидации информации по хозяйственным операциям, осуществляемым и фиксируемым такими подразделениями вуза, как касса, бухгалтерия, отдел материальнотехнического снабжения и обслуживания, редакционноиздательский отдел и другие обслуживающие основную деятельность вуза подразделения (например, редакционноиздательскими системы, системы бухгалтерского учета). Наиболее уязвимыми среди обслуживающих подразделений вуза выступают деканаты факультетов, обеспечивающие непосредственную организацию и контроль осуществления учебной деятельности. Для учета всех показателей оперативной учебной деятельности деканаты могут воспользоваться информационной системой баз данных «Электронный деканат», которая предполагает фиксацию, хранение и несложный анализ оперативных данных о ходе и результатах учебного процесса (студенческий контингент, успеваемость и т.д.) [2]. Данный вид инструментов хранения и консолидации данных предназначен только для освещения учебной деятельности с позиции конкретного структурного подразделения – деканата, т.е. имеет узкую предметную направленность.

Структурным подразделением, непосредственно осуществляющим основную (учебную и научную) деятельность вуза, является выпускающая кафедра. В силу большого разнообразия видов деятельности и современного состояния информатизации деятельности отечественных вузов нынешний уровень деятельности кафедры характеризуется:

· оперативные данные, обеспечивающие деятельность сотрудников кафедры (предоставляются другими подразделения вуза) и описывающие ее результаты (внутренняя информация кафедры, которая предоставляется кафедрой для других подразделений) создается и хранится как в электронном, так и печатном виде;

· отсутствием полноценного и надежного инструментария учета и консолидации входной и исходящей информации кафедры.

Представленные обстоятельства обусловили цель данного исследования, которая состоит в разработке инструментария консолидации данных кафедры как основного элемента информационнообразовательной среды вуза, обеспечивающего комплексную автоматизацию всех видов деятельности кафедры и повышение эффективности использования учебно-методических информационных ресурсов на основе современных информационных и коммуникационных технологий.

Конкретной формой реализации указанного инструментария выступит хранилище данных кафедры, так как его основное преимущество по сравнению с аналогичными формами (базой данных) позволяет обеспечить не только целостность, но и непротиворечивость данных, высокую скорость и широкий диапазон методов анализа хранящихся данных, их достаточную для конкретных групп пользователей избирательность.

Основным функциональным назначением хранилища данных кафедры является своевременное предоставление необходимой для принятия эффективных управленческих решений консолидированной информации. Кроме того, в составе информационно-образовательного пространства вуза хранилища кафедр будут интегрированы в виртуальные кафедры, которые также предназначены для повышения качества и открытости образования, перехода к открытому непрерывному образованию, обеспечение конкурентоспособности высших учебных заведений на рынке образовательных услуг.

Для обеспечения полноты и удовлетворительного (для целей дальнейшего управления) требуемого уровня консолидации данных необходимо разработать информационную модель, которая бы описывала поведение объекта исследования – кафедры и позволяла хранить имеющуюся и накапливать актуальную информацию о процессах кафедры. Решению данной научной задачи посвящена эта статья.

Для построения модели деятельности кафедры целесообразно использовать деятельностный и процессный подходы. Применение деятельностного подхода позволит выделить укрупненные направления деятельности кафедры.

При использовании процессного подхода в рамках каждого из укрупненных направлений деятельности кафедры возможно выделение бизнес-процессов из которых оно состоит.

В свою очередь, бизнес-процессы рассматриваются как информационные потоки, которые принимают информацию на входе и генерируют новую информацию на выходе. В ходе выполнения бизнеспроцесса должна аккумулироваться конкретная информация, описывающая поведение процесса в рамках каждого из видов деятельности.

Различные бизнес-процессы находятся в непрерывном взаимодействии, постоянно обмениваются информацией (между ними циркулируют информационные потоки) [3].

Для создания (описания) полной информационной модели деятельности кафедры (обобщенное форматизированное описание приведено в [4]) проведен анализ осуществляемых ее сотрудниками бизнеспроцессов, а также бизнес-процессов, которые они обеспечивают. Данный анализ имел теоретический и эмпирический характер.

Вначале на основании анализа имеющихся в литературе данных выделен ряд направлений деятельности кафедры как основного подразделения вуза, задействованного во всех его бизнес-процессах.

Деятельность кафедры – совокупность всех видов работ по реализации образовательного процесса. Условно деятельность кафедры можно разделить на учебную и внеучебную профессиональную. Учебная деятельность кафедры заключается в осуществлении преподавания общих и специальных курсов, организации самостоятельной работы студентов, руководстве курсовыми и выпускными квалификационными работами и практиками. Под внеучебной профессиональной деятельностью кафедры вуза понимается совокупность всех видов деятельности кафедры, обеспечивающих образовательный процесс [4].

Таким образом, определены (согласно [5]) четыре основных вида деятельности кафедры: учебная (основная, педагогическая), методическая, научно-исследовательская и организационная.

Причем, уже теоретический анализ показал, что указанные виды деятельности целесообразно рассматривать в двух аспектах – стратегическом и оперативном, так как информация, характеризующая первый аспект какого-либо направления деятельности, существенно отличается (хотя и тесно взаимосвязана) от той, которая характеризует оперативный аспект этого же вида деятельности.

Кроме того в результате теоретического анализа нормативных документов, регламентирующих деятельность структурных подразделений и вуза в целом установлено место кафедры в организационной структуре вуза.

Синтез результатов анализа места кафедры в организационной структуре вуза с итогами определения функциональных прав и обязанности кафедры позволил выявить направления и содержание информационных потоков выпускающей кафедры, условно представленных на рис. 1.

Условные обозначения связей (виды входящей и исходящей информации):

1 – учебные планы, разрабатываемые на основе утвержденных профильным министерством норм, учитывающие государственные, региональный и вузовские компоненты, условия и особенности обучения различных групп учащихся;

2 – рабочие планы учебных дисциплин;

3 – результаты текущего модульного и итогового контроля знаний студентов по дисциплине;

4 – списки профессорско-преподавательского состава кафедры;

5 – результаты работы государственных экзаменационных комиссий;

6 – численность и форма обучения зачисленных студентов на обучение на выпускаемые кафедрой специальности 7 –расписание экзаменов;

8 – план мероприятий профессиональной ориентации в других учебных заведениях;

9 – результаты научно-исследовательской работы студентов;

10 – результаты выполнения индивидуальных заданий по учебной дисциплине;

11 – результаты комплексного курсового проектирования;

12 – результаты дипломного проектирования;

13 – заполненные по окончанию бакалавриата и магистратуры зачетные книжки;

14 – график консультаций профессорско-преподавательского состава кафедры;

15 – перечень конференций (условия их проведения), в которых могут принять участие студенты и сотрудники кафедры;

16 – план изданий кафедрой методической литературы;

17 – тема, план и результаты выполнение научно-исследовательской работы профессорско-преподавательским составом кафедры;

18 – объемы и структура запланированной учебной нагрузки по дисциплинам, которые преподают сотрудники кафедры 19 – командировочные листы (для переноса занятий командируемого в расписании) сотрудников кафедры;

20 – график учебного процесса;

21 – расписание аудиторных занятий;

22 – личные данные студентов (для кураторов);

23 – сводные данные текущего модульного контроля по всем дисциплинам (для кураторов);

24 – методическое обеспечение учебных дисциплин кафедры, учебных пособий, учебно-методических материалов по проведению всех видов занятий, а также других пособий, предусматривающих использование новых форм и методов преподавания;

25 – данные об уровне подготовки и участии в мероприятиях повышения квалификации педагогических кадров;

26 – заявки на проведение кафедрой научно-практических конференций;

27 – отчеты аспирантов и стажеров;

28 – рабочие планы профессорско-преподавательского состава кафедры;

29 – рабочие журналы профессорско-преподавательского состава кафедры;

30 – заявки на необходимые для обеспечения учебного процесса программноаппаратные средства;

31 – контракты и заявления сотрудников кафедры о трудоустройстве в вузе;

32 – заявки на приобретение программного обеспечения, техники и других материальных средств, обеспечивающих организацию и проведение аудиторных занятий;

33 – рукописи методических материалов профессорско-преподавательского состава кафедры после правки редактора и корректора;

34 – расчетные листы по оплате труда;

35 – списки студентов академических групп.

Рис. 1. Прямые информационные потоки кафедры вуза При этом детально изучено прямое информационное взаимодействие кафедры, т. е. движение информации между персоналом кафедры и ее непосредственным, самым близким окружением. Такая позиция авторов при анализе теоретического материала обоснована тем, что основные параметры информационного взаимодействия прямых партнеров кафедры с другими (не с кафедрой) подразделениями и отдельными должностными лицами вуза, которые, однако, касаются деятельности кафедры, напрямую обязательно учитываются при прямом взаимодействии с кафедрой.

Интенсивность указанных на рис. 1 информационных потоков изучена в ходе длительного эмпирического анализа – наблюдения за деятельностью персонала кафедры компьютерных систем и технологий (выпускающей для таких специальностей, как «Технологии мультимедийных издательств» и «Компьютерные технологи и системы издательскополиграфических производств») Харьковского национального экономического университета, анализа документации этой кафедры, ее электронной информационной базы и движения информации.

В ходе эмпирического анализа деятельности конкретной кафедры установлено, что кроме бизнес-процессов, в которых используется обозначенная на рис. 1 исходящая и входящая информация, на кафедре реализуются внутренние процессы, обеспечиваемые такими внутренними данными как концепция развития кафедры (36), распределение организационных полномочий (37), графики и вопросы заседаний кафедры (38), графики взаимных посещений (39), распределение студентов между руководителями – преподавателями кафедры по диплому магистра (40), специалиста (41), бакалавра (46) по научно-исследовательской работе (42), графики, регламентирующие дипломное проектирование магистров (43), специалистов (44), бакалавров (45) и курсовое проектирование (47), данные о базах производственной практики студентов (48).

Данные, представленные на рис. 1, показывают все многообразие входной и исходящей информации кафедры, однако не указывают на то, каким образом связаны данные, движущиеся в различных информационных потоках, что позволило бы вскрыть имеющуюся организацию информации на кафедре (построить информационную модель данных кафедры), при необходимости усовершенствовать ее и начать проектирование хранилища данных кафедры.

На основании выделения семантических связей между указанными на рис. 1 видами входящей и исходящей информации авторами статьи построена информационная модель организации данных кафедры в виде ориентированного сетевого графа (рис. 2).

Представленная на рис. 2 информационная модели организации данных кафедры позволяет:

· определить существующую семантическую взаимосвязь (еще не обобщенную и не консолидированную в электронном виде на кафедре) между выделенными на рис. 1 информационными потоками;

· определить ключевые узлы информации, каждый из которых будет представлен в виде таблиц измерений в рамках хранилища данных кафедры;

· установить обособленные данные, которые не взаимосвязаны с ключевыми узлами имеющейся на кафедре информации (например, при составлении плана изданий кафедрой методической литературы напрямую не учитываются объемы и структура запланированной учебной нагрузки по дисциплинам и объемы запланированной научно-исследовательской работы каждого из представителей профессорско-преподавательского состава), соответствующим образом скорректировать взаимосвязи таких · при необходимости (после изменения взаимосвязей между видами входящей и исходящей информации) переопределить ключевые узлы информации кафедры.

Рис. 2. Информационная модель организации данных кафедры Указанные изменения преобразуют информационную модель организации данных в информационную модель хранилища данных кафедры.

С точки зрения авторов статьи, рациональная практическая реализация разработанной информационной модели хранилища данных кафедры предполагает использование:

· аналитической платформы Deductor (как программного инструментария, дающего полную и удобную возможность проектировать хранилища данных и выполнять все необходимые операции с размещенными в нем данными) для проектирования и наполнения хранилища данными;

· СУБД «FireBird» (как свободно распространяемой СУБД, системные возможности которой соответствуют сложности проектируемого хранилища данных) в целях хранения данных.

Кроме формирования в структуре метаданных основных таблиц (для измерений и процессов) в процессе создания хранилища данных планируется создание кубов данных, срезы по которым будут содержать наиболее часто востребованные наборы данных.

На завершающем этапе проектирования данных (при обеспечении локального и глобального доступа к нему в составе информационнообразовательной среды вуза) планируется разработка витрин данных для каждой из групп (и подгрупп), заинтересованных в хранящейся и обработанной информации, которыми являются:

· сотрудники кафедры (функциональные подгруппы: заведующий кафедрой, кураторы специальностей, кураторы групп, консультанты по курсовому и дипломному проектированию и т.д.);

· студенты (функциональные подгруппы организованы по курсам · сотрудники деканатов (функциональные подгруппы организованы по факультетам);

· сотрудники других обеспечивающих подразделений вуза (функциональные подгруппы: научно-исследовательский отдел, методический отдел, учебный отдел, бухгалтерия, издательство, · внешние (по отношению к вузу) партнеры кафедры (функциональные подгруппы: школы, техникумы и лицеи, кафедры, выпускающие аналогичные специальности в других вузах и т. д.).

Представленная в данной статье логика всестороннего и детального анализа деятельности кафедры вуза позволила построить информационную модель хранилища данных как инструмента консолидации и обработки имеющейся информации с целью обеспечения правильности принимаемых управленческих решений и повышения открытости информационно-образовательной среды вуза.

Следующий этап исследований авторов данной статьи состоит в проектировании хранилища данных кафедры компьютерных систем и технологий Харьковского национального экономического университета средствами аналитической платформы Deductor Studio и СУБД «FireBird», результаты чего будут представлены на будущих конференциях «Бизнес-аналитика. Использование аналитической платформы Deductor в деятельности учебных заведений».

Литература 1. Иевенко М.В., Смелянский Р.Л. Возможности системы «Университет» компании «РЕДЛАБ» для формирования и реализации стратегии развития вуза [Электронный ресурс]. Режим доступа: http://www.umj.ru/index.php/pub/inside/436/.

2. Аналитические возможности информационной системы баз данных «Электронный деканат». [Электронный ресурс]. Режим http://www.mgimo.ru/about/structure/3495/3699/docs/63506/ 3. Кузнецов А. И. Методика проведения обследования бизнеспроцессов компании // Технологии корпоративного управления.

Информационные технологии [Электрон. ресурс]. Режим http://www.iteam.ru/publications/it/section_51/article_1469.

4. Климович. Л. А. Показатели деятельности кафедры на основе векторных оценок // Университетское управление: практика и анализ. – № 3. – 2008. – С. 73-77.

5. Лемешева Т.Л. Виртуальные кафедры и инструментальные средства их проектирования // Научная сессия МИФИ-2003 г.

Сборник научных трудов. Интеллектуальные системы и технологии. – М.: МИФИ, 2003. – С. 189-190.

ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ СИСТЕМА

МОНИТОРИНГА СОСТОЯНИЯ ВОДНЫХ РЕСУРСОВ

НИЖЕГОРОДСКОГО РЕГИОНА

Прокопенко Н.Ю., доцент, Родионова C.В., старший преподаватель, Чубченко М.Н., студент, Нижегородский государственный архитектурно-строительный университет, г. Нижний Новгород В настоящее время проблема загрязнения рек, озер, водохранилищ, подземных вод, тесно связана с проблемой обеспеченности пресной водой, поэтому наблюдениям и контролю за уровнем загрязнения водных объектов уделяется особое внимание. Для осуществления этих функций проводится экологический мониторинг воды, который представляет собой систему наблюдений, оценки и прогноза изменений состояния водных объектов и окружающей среды в целом. Он включает:

1. регулярные наблюдения за состоянием водных объектов, количественными и качественными показателями состояния водных ресурсов, а также за режимом использования 2. сбор, обработку и хранение сведений, полученных в результате 3. внесение сведений, полученных в результате наблюдений, в государственный водный реестр;

4. оценку и прогнозирование изменений состояния водных объектов, количественных и качественных показателей состояния водных ресурсов.

Информация о состоянии водных ресурсов широко используется в различных сферах деятельности. Она необходима для:

1. своевременного выявления и прогнозирования развития негативных процессов, влияющих на качество воды в водных объектах и их состояние, разработки и реализации мер по предотвращению негативных последствий этих процессов;

2. оценки эффективности осуществляемых мероприятий по охране 3. информационного обеспечения управления в области использования и охраны водных объектов, в том числе в целях государственного контроля и надзора за использованием и охраной водных объектов.

Информационно-аналитическая система мониторинга состояния водных ресурсов предназначена для автоматизации функций отдела учета объектов негативного воздействия и экологического мониторинга Министерства экологии и природных ресурсов Нижегородской области.

Анализ деятельности этого отдела позволил определить основные проблемы, требующие оптимизации процесса проведения мониторинга.

1. Данный процесс содержит огромный объем сопровождающей документации, что порождает проблемы:

· поиска необходимой документации;

· существует вероятность потери документов;

· большие стоимостные затраты на покупку бумаги;

· архивы документов сокращают дефицитную офисную площадь.

2. Наличие очень сложных процессов обработки и анализа данных, обусловленных необходимостью:

· постоянно совершать анализ данных;

· постоянной сверки данных с уровнем предельно допустимой концентрации и с показателями за предшествующий период.

3. Необходимость предоставления администрации региона точной, своевременной и актуальной информации в удобном для восприятия виде, т.е. в формате графиков, диаграмм, сводных Для моделирования основных бизнес-процессов отдела учета объектов негативного воздействия и экологического мониторинга Министерства экологии и природных ресурсов Нижегородской области с целью оптимизации деятельности этого отдела были решены следующие задачи:

· смоделирован процесс проведения мониторинга водных ресурсов в модели IDEF0;

· смоделирован процесс «Считывание и обработка данных» «As is», а также процесс «Анализ данных» «As to be» в модели · смоделированы основные потоки информации организации при проведении мониторинга водных ресурсов в модели DFD.

В ходе моделирования бизнес-процессов организации были выявлены так называемые «узкие места» функций процесса. В данном случае к «узким местам» были отнесены функции обработки, анализа и хранения данных (эти функции в настоящее время реализуются с помощью персонального компьютера, программы MS Excel), а также составление отчетности на протяжении проведения мониторинга, поскольку реализация данных функций требует значительных материальных и временных затрат. Таким образом, был сделан вывод, что автоматизация этих функций позволит ускорить процесс проведения мониторинга, а также обеспечить высокое качество его проведения.

Оптимизация процесса проведения мониторинга наиболее эффективна с помощью создания информационной системы средствами СУБД MS Access и АП Deductor Studio. Выбор MS Access 2007 обоснован требованиями заказчика о замене существующего способа хранения и обработки данных установленным ПО (MS Office 2007) на пользовательских компьютерах в отделе. Главным критерием выбора аналитической платформы Deductor для разработки автоматизированной системы мониторинга среди других аналитических систем является наличие в АП Deductor самых современных методов извлечения, манипулирования, визуализации данных, технологий интеллектуального анализа, таких, как кластеризация, дерево решений, нейронные сети.

На основе выполненного проектирования была реализована в MS Access база данных, а именно были созданы необходимые таблицы, запросы, формы и отчеты, был разработан интерфейс автоматизированной системы. Структура базы данных «Мониторинг» для показателей загрязнения водных ресурсов разработана в соответствии со стандартами проектирования. Были выделены основные сущности и атрибуты, определены первичные ключи, была создана инфологическая модель, даталогическая модель, представлена схема данных. Основное назначение БД – сбор данных. На этапе программной реализации базы данных были созданы многочисленные запросы и на их основе отчеты по требованию заказчика.

Создание интегрированного хранилища данных «Мониторинг»

было реализовано на базе Deductor Warehouse. Структура ХД представлена на рис. 1. При данной структуре ХД предполагается, что уникальность точки в пространстве определяется совокупностью измерений Номер записи + Дата + Код объекта + Код загрязнителя + Створ. Исходными данными для наполнения ХД служили 3 файла: Измерения.txt, Водные объекты.txt и Загрязнители.txt.

Целью обработки данных в Deductor является предоставление информации в удобном для восприятия и анализа виде. Используя возможности OLAP-анализа, были получены многочисленные отчеты в виде OLAP-кубов и кросс-диаграмм, которые отражают динамику загрязнения водных объектов на протяжении всего периода загрязнения, отношение того или иного загрязнителя к уровню его предельно допустимой концентрации (ПДК), процентное соотношение качества вод региона и другие показатели.

Построение некоторых отчетов требовало написания сценария в Deductor. Так для составления отчета «Индекс загрязнения воды (ИЗВ)»

для всех рассматриваемых водных объектов была произведена фильтрация по каждому водному объекту и шести загрязнителям, относящимся к конкретному водному объекту. С помощью внешнего левого соединения для каждого водного объекта была составлена таблица, содержащая информацию о загрязнителях, их значениях и ПДК. Далее с помощью калькулятора в таблицу было добавлено поле «Отношение», которое вычислялось путем деления столбца «Значение загрязнителя» на столбец «ПДК». После вычисления данного столбца была произведена группировка по измерениям «Наименование объекта» и «Дата анализа», а в качестве агрегации факта «Отношение» была выбрана сумма. Затем с помощью калькулятора в полученную таблицу было добавлено поле «ИЗВ», которое было вычислено по заданной формуле. Анализ полученной на основе этого отчета диаграммы позволил определить самый загрязненный объект из рассматриваемых – озеро Спасское.

Отчет «Отношение к ПДК», в котором все имеющиеся величины представлены в относительном виде был использован для проведения корреляционного анализа показателей. В ходе корреляционного анализа необходимо было выявить связи между загрязнителями или убедиться в их отсутствии на примере водного объекта «Озеро Нижневыксунское». С помощью обработчика «Корреляционный анализ» были получены матрицы корреляции, в которых выходными параметрами поочередно были каждый из загрязнителей исследуемого водного объекта. Наибольшая корреляционная зависимость была выявлена между показателями «нефтепродукты» и «ХПК», что объясняется повышенным химическим потреблением кислорода при наличии в воде повышенного содержания нефтепродуктов, в несколько раз превышающих ПДК.

Для отнесения водных объектов на основе рассчитанного выше показателя ИЗВ к определенному классу вод была построена модель Дерево решений, с помощью которой были получены правила отнесения того или иного водного объекта к конкретному классу вод.