智能决策技术原理及应用(2)

　　W.H.Inmon在《建立数据仓库》一书中，对数据仓库定义为：数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中决策制定过程。
　　传统数据库用于事务处理，也叫操作型处理，是指对数据库联机进行日常操作，即对一或一组记录的查询和修改，主要为企业特定的应用服务的。用户关心的是响应时间，数据的安全性和完整性。数据仓库用于决策支持，也称分析型处理，用于决策分析，它是建成立决策支持系统的基础。
　　(2)数据仓库的特点。数据仓库是面向主题的：主题是数据归类的标准，每一个主题基本对应一个宏观的分析领域。
　　数据仓库是集成的：数据进入数据仓库之前，必须经过加工与集成。对不同的数据来源进行统一数据结构和编码。统一原始数据中的所有矛盾之处，如字段的同名异义，异名同义，单位不统一，字长不一致等。总之将原始数据结构作一个从面向应用到面向主题的大转变。
　　数据仓库是稳定的：数据仓库中包括了大量的历史数据。数据经集成进入数据仓库后是极少或根本不更新的。
　　数据仓库是随时间变化的：数据仓库内的数据时限在5-10年，故数据的键码包含时间项，标明数据的历史时期，这适合DSS进行时间趋势分析。
　　数据仓库中数据很大：通常的数据仓库的数据量为10GB级，大型的是一个TB级数据量。数据中索引和综合数据占2/3，原始数据占1/3。
　　数据仓库软、硬件要求：需要一个巨大的硬件平台和一个并行的数据库系统。
　　(3)数据开采的概念及方法。1995年在加拿大召开了第一届知识发现(Knowledge Discovery in Database—KDD)和数据开采(Data Mining—DM)国际学术会议以后，“数据开采”开始流行，它是“知识发现”概念的深化，知识发现与数据开采是人工智能、机器学习与数据库技术相结合的产物。KDD一词是在1989年8月于美国底特律市召开的第一届KDD国际学术会议上正式形成的。
　　知识发现被认为是从数据中发现有用知识的整个过程。数据开采被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式。
　　数据开采的主要方法和技术有：信息论方法、集合论方法、仿生物技术、公式发现、统计分析方法及其它方法。
　　
　　二、智能决策技术原理
　　
　　要能做出智能决策需要在智能决策支持系统的辅助下才能实现。因而要知道智能决策技术的原理就须要知道智能决策支持系统的原理及构造。
　　智能决策支持系统(IDSS)是在决策支持系统(DSS)的基础上集成人工智能专家系统(ES)而形成的。决策支持系统主要是由问题处理与人机交互系统(由语言系统和问题处理系统组成)、模型库系统(由模型库管理系统和模型库组成)、数据库系统(由数据库管理系统和数据库组成)等组成。专家系统主要由知识库、推理机和知识库管理系统三者组成。决策支持系统和专家系统集成为智能决策支持系统。
　　IDSS中DSS和ES的结合主要体现在两个方面：
　　(1)DSS和ES的总体结合。由集成系统把DSS和ES有机结合起来(将两者一体化)。
　　KB和MB的结合。模型库中的数学模型和数据处理模型作为知识的一种形式，即过程性知识，加入到知识推理过程中去，或者将知识库和推理机结合起来，形成知识推理模型加入到模型库中去。
　　(2)DB和动态DB的结合。DSS中的DB可以看成是相对静态的数据库，它为ES中的动态数据库提供初始数据，ES推理结束后，动态DB中的结果再送回到DSS中的DB去。由DSS和ES这三种结合形式，也说形成了三种IDSS集成形式。 　　智能决策支持系统是以大量的信息收集和大量的知识为基础，将它们存储在数据库和知识库中，为问题处理系统服务。将实际问题转换成计算机能进行求解的过程，就是通过对问题的分解和分析，建立问题求解的总框架模型，根据这个总框架模型的各组成部分的目标、功能、数据和求解的要求来决定各组成部分是建立新模型，还是选择已有的成熟模型；多模型如何组合；需要利用哪些数据；是采用数值计算模型还是采用知识推理模型进行各种处理方法选择，然后对其进行求解。将求解的结果或得到的支持决策的信息反回给决策用户。