管理信息系統(tǒng)-決策支持系統(tǒng)與人工智能課件

決策支持系統(tǒng)與人工智能學(xué)時：2重點：決策支持系統(tǒng)的概念數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)專家系統(tǒng)與人工智能·難點：數(shù)據(jù)倉庫與數(shù)據(jù)挖掘1決策支持系統(tǒng)與人工智能學(xué)時：216.1決策支持系統(tǒng)

DecisionSupportSystem——DSS1、概念MIS在事務(wù)管理層能很好地滿足實際需要；決策則要從制定目標(biāo)、收集信息、方案探索與比較多個方面進行，MIS難以滿足要求；結(jié)構(gòu)化決策是：目標(biāo)、規(guī)則均明確，MIS可有效支持決策各個階段的工作；半結(jié)構(gòu)化決策是：目標(biāo)不清晰、多目標(biāo)沖突，方案選擇規(guī)則不清楚，MIS不能完全支持決策問題。實際中，半結(jié)構(gòu)決策問題較多。26.1決策支持系統(tǒng)

DecisionSupportSy對DSS的理解有幾種觀點；廣義DSS——多學(xué)科交叉、高技術(shù)手段運用，解決半決策化問題，強調(diào)“人——機”交互，收集信息數(shù)據(jù)，幫助決策層制定目標(biāo)、建立模型、方案分析、比較、優(yōu)化等；狹義DSS——利用數(shù)據(jù)、模型、方法、知識推理進行半結(jié)構(gòu)化決策的“人——機”系統(tǒng)；“支持”不是代替，僅起輔助作用。2、DSS的特點面向決策層——幫助決策層懼資料，進行分析、設(shè)計；決策人員起主導(dǎo)作用，DSS要考慮用戶的特點，如行業(yè)要求、決策人員的知識背景、愛好等；DSS主要解決半結(jié)構(gòu)化決策問題；“支持”而不代替；模型與用戶共同驅(qū)動——根據(jù)歷史數(shù)據(jù)、當(dāng)前數(shù)據(jù)，對未來進行基于知識的推理，同時積累；DSS的基礎(chǔ)是數(shù)據(jù)庫、模型庫、方法庫、知識庫；強調(diào)“人——機”交互；推理規(guī)則；3對DSS的理解有幾種觀點；33、DSS與MIS的區(qū)別DSS與MIS的聯(lián)系——MIS是DSS的基礎(chǔ)，MIS主要面對結(jié)構(gòu)化決策，DSS主要面對半結(jié)構(gòu)化決策；DSS與MIS的區(qū)別——DSS主要面對中、高決策層，進行半結(jié)構(gòu)化決策，與MIS在如下幾個方面有區(qū)別：MIS用于日常業(yè)務(wù)，DSS用于管理目標(biāo)與決策；MIS追求過程最優(yōu)，DSS追求可行方案，不要求最優(yōu)；MIS要求工作環(huán)境穩(wěn)定，保障日常業(yè)務(wù)正常；MIS強調(diào)系統(tǒng)、客觀、科學(xué)、最優(yōu)，DSS強調(diào)經(jīng)驗、判斷、創(chuàng)造；MIS是數(shù)據(jù)驅(qū)動、DSS是模型與用戶共同驅(qū)動；MIS希望盡量少的人為干擾，DSS要求更多的“人——機”會話，強調(diào)“人”的作用；MIS體現(xiàn)全局、整體，DSS體現(xiàn)決策人的需要。43、DSS與MIS的區(qū)別44、DSS的發(fā)展智能化DSS——知識工程+人工智能+專家系統(tǒng)，為處理不確事實上性領(lǐng)域的問題提供技術(shù)保證；群體DSS——從個體DSS發(fā)展到群體DSS，操作環(huán)境升級，比個體DSS在決策更為優(yōu)越；行為導(dǎo)向DSS——利用“行為科學(xué)”來引導(dǎo)、支持決策者，而不僅僅用信息科學(xué)來支持決策，這是今后DSS發(fā)展的主要方向。5、DSS的框架結(jié)構(gòu)DataBase、ModelBase——兩庫結(jié)構(gòu)；見圖6.1智能DSS框架，見圖6.254、DSS的發(fā)展5數(shù)據(jù)庫DB模型庫MB模型庫管理系統(tǒng)MBMS用戶接口用戶數(shù)據(jù)庫管理系統(tǒng)DBMS圖6.1DDM框架結(jié)構(gòu)——兩庫結(jié)構(gòu)6數(shù)據(jù)庫DB模型庫MB模型庫管理系統(tǒng)用戶接口用戶數(shù)據(jù)庫管理數(shù)據(jù)采集知識獲取用戶模型設(shè)計DBDBMSMBMBMSKBKBMS處理控制系統(tǒng)分析評價系統(tǒng)自動推理機智能化用戶接口圖6.2智能DSS框架結(jié)構(gòu)7數(shù)據(jù)知識用戶模型設(shè)計DBMBKB處理控制系統(tǒng)分析評價系統(tǒng)自動6.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘1、數(shù)據(jù)倉庫定義與特征——對歷史數(shù)據(jù)進行集成化收集與處理的信息機構(gòu)；這些歷史數(shù)據(jù)可以從多個信息系統(tǒng)環(huán)境中收集并整理，對決策起輔助任作用其特征是：面向主題——按企業(yè)關(guān)心的主題進行數(shù)據(jù)收集與整理；集成化——從不同數(shù)據(jù)環(huán)境中收集的數(shù)據(jù)，能按內(nèi)容進行格式統(tǒng)一，如名字轉(zhuǎn)換、度量統(tǒng)一、結(jié)構(gòu)編碼與物理屬性一致處理等；時變性——體現(xiàn)在如下幾方面數(shù)據(jù)倉庫中的數(shù)據(jù)是一段時間上如一季度）的表現(xiàn)；倉中數(shù)據(jù)具有相同的鍵結(jié)構(gòu)、其中包含時間因素；在記錄周期內(nèi)，倉中數(shù)據(jù)一旦記錄后則不能更新；非活性——倉中數(shù)據(jù)不能修改、刪除，只有整理、初始化數(shù)據(jù)時才能修改，通常使用倉中數(shù)據(jù)不會影響。86.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘1、數(shù)據(jù)倉庫定義與特征——對歷史數(shù)2、數(shù)據(jù)倉庫結(jié)構(gòu)——倉中數(shù)據(jù)分為如下幾個層次當(dāng)前詳細數(shù)據(jù)——當(dāng)前發(fā)生、用戶感興趣的數(shù)據(jù)。處于倉庫底層，數(shù)量龐大；管理復(fù)雜；歷史詳細數(shù)據(jù)——統(tǒng)一格式存儲（外存）、存取頻率低，但與當(dāng)前數(shù)據(jù)詳細水平相當(dāng)；輕度概略數(shù)據(jù)——從當(dāng)前詳細數(shù)據(jù)中提練出來的數(shù)據(jù)，與時間段、內(nèi)容、屬性有關(guān)；高度概略數(shù)據(jù)——高度壓縮、容易存取的數(shù)據(jù)，在倉庫最上層，常被外界引用。超數(shù)據(jù)——操作環(huán)境不能直接提取的數(shù)據(jù)，由超數(shù)據(jù)進行轉(zhuǎn)換、引導(dǎo)。92、數(shù)據(jù)倉庫結(jié)構(gòu)——倉中數(shù)據(jù)分為如下幾個層次93、數(shù)據(jù)流程從操作環(huán)境進入數(shù)據(jù)倉庫——當(dāng)前詳細層；從低到高，數(shù)據(jù)被概略化，或取走、或刪除；提練數(shù)據(jù)進入中、高層后，其余按時間推移進入歷史數(shù)據(jù)詳細層；當(dāng)前詳細數(shù)據(jù)——輕度概略——高度概略——外界引用，過時數(shù)據(jù)進入歷史詳細數(shù)據(jù)層。4、數(shù)據(jù)倉庫的使用高層數(shù)據(jù)被使用的頻率高；歷史數(shù)據(jù)使用頻率低；103、數(shù)據(jù)流程105、數(shù)據(jù)挖掘（DataMining——DM）技術(shù)應(yīng)用DM——從大量的數(shù)據(jù)中抽取有效的、新穎的、潛在有用的知識的過程DM的目的——提高市場決策能力，檢測異常模式、在過去的經(jīng)驗基礎(chǔ)上預(yù)測未來；傳統(tǒng)決策——知識庫、規(guī)則是人為外部輸入的；DM中，從系統(tǒng)內(nèi)部獲取知識——從大量數(shù)據(jù)中挖掘出來的；對明確的決策信息，通過查詢、聯(lián)想機分析分析或其它分析工具獲取知識；對隱藏在大量數(shù)據(jù)中的關(guān)系、趨勢等信息，則需要通過數(shù)據(jù)挖掘來獲取。115、數(shù)據(jù)挖掘（DataMining——DM）技術(shù)應(yīng)用DM—（1）數(shù)據(jù)挖掘過程——數(shù)據(jù)準(zhǔn)備、挖掘操作、結(jié)果表達數(shù)據(jù)準(zhǔn)備集成：從多庫環(huán)境中進行數(shù)據(jù)合并，解決語義模糊，處理遺漏、清洗臟數(shù)據(jù)；選擇：辨別需要的數(shù)據(jù)，縮小處理范圍、提高質(zhì)量；預(yù)處理：克服局限性；數(shù)據(jù)挖掘假設(shè)：系統(tǒng)產(chǎn)生假設(shè)——發(fā)現(xiàn)型的數(shù)據(jù)挖掘；用戶靠經(jīng)驗產(chǎn)生假設(shè)——驗證型數(shù)據(jù)挖掘；選擇合適工具；挖掘知識的操作；證實發(fā)現(xiàn)的知識；12（1）數(shù)據(jù)挖掘過程——數(shù)據(jù)準(zhǔn)備、挖掘操作、結(jié)果表達12結(jié)果表達和解釋對提取的信息進行分析，區(qū)分出最有價值的信息，通過決策支持工具交給決策者。不能決策所用時，重新進行挖掘。（2）數(shù)據(jù)挖掘典型的分析方法——問題類型、規(guī)模不同，采用不同的分析方法關(guān)聯(lián)分析——同一事件中的不同項的關(guān)聯(lián)性：如：超市中，有70%的顧客買牙膏，其中有90%的顧客同時會買牙刷！記為：牙膏=>牙刷或：關(guān)聯(lián)規(guī)則A=>B

可信度C=同時買A、B的人數(shù)/只買A的人數(shù)；支持度S=同時購買A或B的人數(shù)/總顧客人數(shù)；則：A=>B關(guān)聯(lián)規(guī)則是C=90%，S=70%；13結(jié)果表達和解釋13序列分析——搜尋事件之間在時間上的關(guān)聯(lián)性如：超市中，有60%的顧客買A商品后，過一段時間有80%的顧客會再買B商品可信度C=先買A、后買B的人數(shù)/只買A的人數(shù)；支持度S=先后購買A或B的人數(shù)/總顧客人數(shù)；則：A=>B序列模式C=80%，S=60%；分類分析

對數(shù)據(jù)庫中記錄分類并標(biāo)記，組成訓(xùn)練集；對訓(xùn)練集進行分析，求出分類規(guī)則，再用此規(guī)則對其它數(shù)據(jù)庫中所有記錄進行分類；聚類分析根據(jù)一定的分類規(guī)則,劃分記錄集,將數(shù)據(jù)庫中每條記錄聚集在相應(yīng)的集合之中.14序列分析——搜尋事件之間在時間上的關(guān)聯(lián)性14（3）數(shù)據(jù)挖掘常用的技術(shù)——人工智能為基礎(chǔ)、數(shù)據(jù)庫、數(shù)理統(tǒng)計等決策樹——將訓(xùn)練集劃分成一組規(guī)則，從一個集合逐步劃分成多層次的子集，開成樹形結(jié)構(gòu)；人工神經(jīng)網(wǎng)絡(luò)——模仿生物神經(jīng)網(wǎng)絡(luò)，對非線性數(shù)據(jù)快速擬合；屬于非線性預(yù)測模型；遺傳算法——基于生物進化的概念，設(shè)計一系列過程進行優(yōu)化，通過基因組合、交叉、變異和自然選擇的方式進行；簡單貝葉斯——獨立事件概率統(tǒng)計，僅適用于分類問題；對無條件數(shù)據(jù)限制其輸入；模糊和粗集——用此理論進行數(shù)據(jù)查、排序、分類。15（3）數(shù)據(jù)挖掘常用的技術(shù)——人工智能為基礎(chǔ)、數(shù)據(jù)庫、數(shù)理統(tǒng)計（4）數(shù)據(jù)挖掘的應(yīng)用——政府決策、商業(yè)經(jīng)營、企業(yè)戰(zhàn)略決策等，如：金融決策——用神經(jīng)網(wǎng)絡(luò)或統(tǒng)計回歸模型預(yù)測，對各種投資方向的有關(guān)數(shù)據(jù)進行分析，選擇最佳投資方向；保險決策——以數(shù)據(jù)倉庫為基礎(chǔ)，聯(lián)機分析處理、數(shù)據(jù)挖掘為工具，預(yù)測顧客保險模式，建成保險決策支持系統(tǒng)。……16（4）數(shù)據(jù)挖掘的應(yīng)用——政府決策、商業(yè)經(jīng)營、企業(yè)戰(zhàn)略決策等，6、基于數(shù)據(jù)倉庫的DSS的結(jié)構(gòu)MIS在結(jié)構(gòu)化事務(wù)處理方面非常成功，對半結(jié)構(gòu)化決策力不從心。DSS主要提供對半結(jié)構(gòu)化、非結(jié)構(gòu)化決策的人機交互系統(tǒng)，支持決策，有效地彌補MIS的不足；傳統(tǒng)的DSS與MIS建立在相同的數(shù)據(jù)基礎(chǔ)上，難以快速、有效、科學(xué)地支持決策；數(shù)據(jù)倉庫在數(shù)據(jù)庫的基礎(chǔ)上，將異庫、異地數(shù)據(jù)源提供的數(shù)據(jù)進行整合——集成、存儲、提取、維護，以支持高層決策。176、基于數(shù)據(jù)倉庫的DSS的結(jié)構(gòu)171、現(xiàn)有DSS的結(jié)構(gòu)與不足現(xiàn)有DSS的結(jié)構(gòu)如下圖6.3、6.4所示：人機交互系統(tǒng)模型庫管理系統(tǒng)、模型庫數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫用戶圖6.3傳統(tǒng)DSS結(jié)構(gòu)人機交互系統(tǒng)模型庫管理系統(tǒng)、模型庫知識庫管理系統(tǒng)推理機、知識庫圖6.4引入知識推理的DSS結(jié)構(gòu)用戶數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫181、現(xiàn)有DSS的結(jié)構(gòu)與不足人機交互系統(tǒng)模型庫管理數(shù)據(jù)庫管理用現(xiàn)有DSS的不足主要體現(xiàn)在：加工能力差——處理能力強，分析能力差；數(shù)據(jù)質(zhì)量差——日常原始數(shù)據(jù)，散亂、格式不統(tǒng)一，訪問效率低；技術(shù)支持與相應(yīng)工具缺乏；知識推理困難。2、數(shù)據(jù)倉庫的特征和休系結(jié)構(gòu)DW的主要功能是：將決策所需數(shù)據(jù)從營運數(shù)據(jù)庫中提取出來，將分散、訪問困難的營運數(shù)據(jù)轉(zhuǎn)化為集中、統(tǒng)一、隨時可用的數(shù)據(jù)信息，同時提高數(shù)據(jù)信息處理的速度與效率。19現(xiàn)有DSS的不足主要體現(xiàn)在：19數(shù)據(jù)倉庫的技術(shù)特征面向管理、集成綜合、歷史數(shù)據(jù)、隨時間推移；以業(yè)務(wù)數(shù)據(jù)為數(shù)據(jù)源，提練、加工、匯總、整理，以適應(yīng)應(yīng)用需求；支持多種復(fù)雜數(shù)據(jù)的綜合應(yīng)用和綜合性管理決策。數(shù)據(jù)倉庫的體系結(jié)構(gòu)從多個不同的數(shù)據(jù)源提取數(shù)據(jù)、經(jīng)轉(zhuǎn)換為統(tǒng)一格式后集成，構(gòu)成數(shù)據(jù)倉庫；用戶決策時，從數(shù)據(jù)倉庫查詢所需信息；數(shù)據(jù)倉庫的基本體系結(jié)構(gòu)如圖6.5所示。20數(shù)據(jù)倉庫的技術(shù)特征20關(guān)系數(shù)據(jù)庫數(shù)據(jù)文件其它數(shù)據(jù)倉庫管理工具抽取、轉(zhuǎn)換、裝載元數(shù)據(jù)庫數(shù)據(jù)建模工具綜合數(shù)據(jù)當(dāng)前數(shù)據(jù)歷史數(shù)據(jù)用戶查詢工具C/S工具OLAP工具DM工具圖6.5數(shù)據(jù)倉庫的基本體系結(jié)構(gòu)數(shù)據(jù)源倉庫管理數(shù)據(jù)倉庫分析工具21關(guān)系數(shù)據(jù)庫數(shù)據(jù)文件其它數(shù)據(jù)倉庫抽取、轉(zhuǎn)元數(shù)據(jù)庫數(shù)據(jù)建模綜合數(shù)3.基于數(shù)據(jù)倉庫的DSS結(jié)構(gòu)數(shù)據(jù)倉庫從多種數(shù)據(jù)源中抽取、轉(zhuǎn)化、集成，形成統(tǒng)一、穩(wěn)定的決策所用數(shù)據(jù)；在數(shù)據(jù)倉庫基礎(chǔ)上，OLAP（聯(lián)機分析處理）、DM（數(shù)據(jù)模型）兩種分析工具特別適合于決策分析；OLAP主要采用時序趨勢分析、視圖旋轉(zhuǎn)、深入訪問等多維分析方法，從而發(fā)現(xiàn)趨勢，……；DM則主要從大型數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)模式，預(yù)測趨勢和行為，提有價值的信息，……；在數(shù)據(jù)倉庫的基礎(chǔ)上，結(jié)合OLAP與DM分析工具，開發(fā)新型DSS，對倉中數(shù)據(jù)進行跨主題的在線分析，供及時、準(zhǔn)確決策；其DSS結(jié)構(gòu)如圖6.6所示。223.基于數(shù)據(jù)倉庫的DSS結(jié)構(gòu)22人機交互系統(tǒng)知識庫管理系統(tǒng)推理機知識庫模型庫管理系統(tǒng)模型庫決策信息知識信息數(shù)據(jù)倉庫管理系統(tǒng)數(shù)據(jù)倉庫數(shù)據(jù)抽取、轉(zhuǎn)換和裝載（數(shù)據(jù)采集）數(shù)據(jù)庫管理系統(tǒng)數(shù)據(jù)庫DM工具OLAP工具用戶圖6.6基于數(shù)據(jù)倉庫的決策支持系統(tǒng)23人機交互系統(tǒng)知識庫管理系統(tǒng)推理機模型庫管理系統(tǒng)決策信息數(shù)6.3人工智能1、專家系統(tǒng)（ExpertSystem——ES）利用知識推理過程解決復(fù)雜問題的計算機智能程序，良要由五大部分組成：知識獲取——收集人類專家的成功案例、經(jīng)驗，歸納其中的精華、構(gòu)成知識；知識庫——分類整理，形成知識庫（由規(guī)則庫、數(shù)據(jù)庫組成）；知識庫管理系統(tǒng)——程序化處理；推理機構(gòu)——判斷規(guī)則程序化；用戶接口——用戶界面。246.3人工智能1、專家系統(tǒng)（ExpertSystem——2、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的缺點是：專家建立、專家使用，難以推廣。神經(jīng)網(wǎng)絡(luò)方法的基本原理按照人類大腦的活動原理，構(gòu)造數(shù)據(jù)驅(qū)動的非線性模型；組成要素為：神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法；神經(jīng)元連接模型是：輸入層、中間層、輸出層共3層神經(jīng)元，相鄰層之間有帶權(quán)值的線連接；神經(jīng)網(wǎng)絡(luò)工作時，要先進行學(xué)習(xí)、訓(xùn)練——即神經(jīng)元連接不斷調(diào)整自身的權(quán)值，使神經(jīng)網(wǎng)絡(luò)的輸出值與期望值的方差最小。學(xué)習(xí)效果好壞直接影響預(yù)測精度。252、神經(jīng)網(wǎng)絡(luò)25神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型多個輸入，一個輸出之間的函數(shù)關(guān)系：

xi=wixi-1+siyi=f(xi)

上式中，si為反饋信息，wi為權(quán)值，f為特性函數(shù)，yi為神經(jīng)元的輸出；根據(jù)輸入、輸出特性的不同，選擇不同的特性函數(shù)。常用特性函數(shù)的線性函數(shù)、Sigmoid函數(shù)、雙曲正切函數(shù)等。26神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型26神經(jīng)網(wǎng)絡(luò)的連接模型

多個神經(jīng)元連接成一個網(wǎng)絡(luò)，具體有單層、多層、循環(huán)連接幾種連接形式；學(xué)習(xí)算法用一組輸入向量，采用預(yù)先確定的算法，慢慢調(diào)整網(wǎng)絡(luò)的權(quán)值，使之產(chǎn)生一組期望的

輸出向量，由于神經(jīng)網(wǎng)絡(luò)的非線性關(guān)系，各變量的關(guān)系隱含于網(wǎng)絡(luò)系統(tǒng)之中，無關(guān)數(shù)據(jù)之間不能使網(wǎng)絡(luò)收斂，故由此可以排除不相關(guān)數(shù)據(jù)。27神經(jīng)網(wǎng)絡(luò)的連接模型27神經(jīng)網(wǎng)絡(luò)的反向傳播算法（B-P算法）

B-P算法是最常用的神經(jīng)網(wǎng)的絡(luò)學(xué)習(xí)算法，其基本原理如下：神經(jīng)網(wǎng)絡(luò)對一組特定的輸入產(chǎn)生期望的輸出，可通過網(wǎng)絡(luò)不斷地調(diào)整連線的權(quán)值來實現(xiàn)。其主要步驟有：全部連線的初始權(quán)值為較小的隨機數(shù)；輸入一組訓(xùn)練數(shù)據(jù)，計算網(wǎng)絡(luò)輸出值；計算此輸出值與期望值之間的偏差，從輸出層反向計算至第一隱含層，向著減少偏差的方向調(diào)整權(quán)值；④對訓(xùn)練集中的每一組數(shù)據(jù)都重復(fù)上面步驟②、③，直至整個訓(xùn)練集中的偏差最小為止。28神經(jīng)網(wǎng)絡(luò)的反向傳播算法（B-P算法）283.遺傳算法神經(jīng)網(wǎng)絡(luò)有局部極小化問題，遺傳算法是全局最優(yōu)算法。遺傳算法（GeneticAlgorithm——GA）：是借助于生物界自然選擇和自然遺傳機制的隨機化搜索算法，適用于傳統(tǒng)搜索算法難以解決的非線性復(fù)雜問題。兩個數(shù)據(jù)轉(zhuǎn)換：表現(xiàn)型到基因型——編碼、基因型到表現(xiàn)型——譯碼，上一對互逆操作；遺傳算法是：“生成+檢測”的迭代搜索算法，其算法流程如圖6.8所示：293.遺傳算法29編碼和初始群體生成群體中個體適應(yīng)度的檢測評估選擇交叉變異圖6.8遺傳算法的基本流程遺傳算法的三個基本算法：1、選擇，2、交叉，3、變異；遺傳算法的5個基本參數(shù)是：1.參數(shù)編碼2.初始群體的設(shè)定、3.適應(yīng)度函數(shù)的設(shè)計4.遺傳操作設(shè)計5.控制參數(shù)設(shè)計P157舉例：三個決策變量、每個變量兩個取值，四種經(jīng)營策略，如何編碼、適應(yīng)度列表、……，自行閱讀之30編碼和初始群體生成群體中個體適應(yīng)度的檢測評估選擇交叉變異圖6決策支持系統(tǒng)與人工智能學(xué)時：2重點：決策支持系統(tǒng)的概念數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)專家系統(tǒng)與人工智能·難點：數(shù)據(jù)倉庫與數(shù)據(jù)挖掘31決策支持系統(tǒng)與人工智能學(xué)時：216.1決策支持系統(tǒng)

DecisionSupportSystem——DSS1、概念MIS在事務(wù)管理層能很好地滿足實際需要；決策則要從制定目標(biāo)、收集信息、方案探索與比較多個方面進行，MIS難以滿足要求；結(jié)構(gòu)化決策是：目標(biāo)、規(guī)則均明確，MIS可有效支持決策各個階段的工作；半結(jié)構(gòu)化決策是：目標(biāo)不清晰、多目標(biāo)沖突，方案選擇規(guī)則不清楚，MIS不能完全支持決策問題。實際中，半結(jié)構(gòu)決策問題較多。326.1決策支持系統(tǒng)

DecisionSupportSy對DSS的理解有幾種觀點；廣義DSS——多學(xué)科交叉、高技術(shù)手段運用，解決半決策化問題，強調(diào)“人——機”交互，收集信息數(shù)據(jù)，幫助決策層制定目標(biāo)、建立模型、方案分析、比較、優(yōu)化等；狹義DSS——利用數(shù)據(jù)、模型、方法、知識推理進行半結(jié)構(gòu)化決策的“人——機”系統(tǒng)；“支持”不是代替，僅起輔助作用。2、DSS的特點面向決策層——幫助決策層懼資料，進行分析、設(shè)計；決策人員起主導(dǎo)作用，DSS要考慮用戶的特點，如行業(yè)要求、決策人員的知識背景、愛好等；DSS主要解決半結(jié)構(gòu)化決策問題；“支持”而不代替；模型與用戶共同驅(qū)動——根據(jù)歷史數(shù)據(jù)、當(dāng)前數(shù)據(jù)，對未來進行基于知識的推理，同時積累；DSS的基礎(chǔ)是數(shù)據(jù)庫、模型庫、方法庫、知識庫；強調(diào)“人——機”交互；推理規(guī)則；33對DSS的理解有幾種觀點；33、DSS與MIS的區(qū)別DSS與MIS的聯(lián)系——MIS是DSS的基礎(chǔ)，MIS主要面對結(jié)構(gòu)化決策，DSS主要面對半結(jié)構(gòu)化決策；DSS與MIS的區(qū)別——DSS主要面對中、高決策層，進行半結(jié)構(gòu)化決策，與MIS在如下幾個方面有區(qū)別：MIS用于日常業(yè)務(wù)，DSS用于管理目標(biāo)與決策；MIS追求過程最優(yōu)，DSS追求可行方案，不要求最優(yōu)；MIS要求工作環(huán)境穩(wěn)定，保障日常業(yè)務(wù)正常；MIS強調(diào)系統(tǒng)、客觀、科學(xué)、最優(yōu)，DSS強調(diào)經(jīng)驗、判斷、創(chuàng)造；MIS是數(shù)據(jù)驅(qū)動、DSS是模型與用戶共同驅(qū)動；MIS希望盡量少的人為干擾，DSS要求更多的“人——機”會話，強調(diào)“人”的作用；MIS體現(xiàn)全局、整體，DSS體現(xiàn)決策人的需要。343、DSS與MIS的區(qū)別44、DSS的發(fā)展智能化DSS——知識工程+人工智能+專家系統(tǒng)，為處理不確事實上性領(lǐng)域的問題提供技術(shù)保證；群體DSS——從個體DSS發(fā)展到群體DSS，操作環(huán)境升級，比個體DSS在決策更為優(yōu)越；行為導(dǎo)向DSS——利用“行為科學(xué)”來引導(dǎo)、支持決策者，而不僅僅用信息科學(xué)來支持決策，這是今后DSS發(fā)展的主要方向。5、DSS的框架結(jié)構(gòu)DataBase、ModelBase——兩庫結(jié)構(gòu)；見圖6.1智能DSS框架，見圖6.2354、DSS的發(fā)展5數(shù)據(jù)庫DB模型庫MB模型庫管理系統(tǒng)MBMS用戶接口用戶數(shù)據(jù)庫管理系統(tǒng)DBMS圖6.1DDM框架結(jié)構(gòu)——兩庫結(jié)構(gòu)36數(shù)據(jù)庫DB模型庫MB模型庫管理系統(tǒng)用戶接口用戶數(shù)據(jù)庫管理數(shù)據(jù)采集知識獲取用戶模型設(shè)計DBDBMSMBMBMSKBKBMS處理控制系統(tǒng)分析評價系統(tǒng)自動推理機智能化用戶接口圖6.2智能DSS框架結(jié)構(gòu)37數(shù)據(jù)知識用戶模型設(shè)計DBMBKB處理控制系統(tǒng)分析評價系統(tǒng)自動6.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘1、數(shù)據(jù)倉庫定義與特征——對歷史數(shù)據(jù)進行集成化收集與處理的信息機構(gòu)；這些歷史數(shù)據(jù)可以從多個信息系統(tǒng)環(huán)境中收集并整理，對決策起輔助任作用其特征是：面向主題——按企業(yè)關(guān)心的主題進行數(shù)據(jù)收集與整理；集成化——從不同數(shù)據(jù)環(huán)境中收集的數(shù)據(jù)，能按內(nèi)容進行格式統(tǒng)一，如名字轉(zhuǎn)換、度量統(tǒng)一、結(jié)構(gòu)編碼與物理屬性一致處理等；時變性——體現(xiàn)在如下幾方面數(shù)據(jù)倉庫中的數(shù)據(jù)是一段時間上如一季度）的表現(xiàn)；倉中數(shù)據(jù)具有相同的鍵結(jié)構(gòu)、其中包含時間因素；在記錄周期內(nèi)，倉中數(shù)據(jù)一旦記錄后則不能更新；非活性——倉中數(shù)據(jù)不能修改、刪除，只有整理、初始化數(shù)據(jù)時才能修改，通常使用倉中數(shù)據(jù)不會影響。386.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘1、數(shù)據(jù)倉庫定義與特征——對歷史數(shù)2、數(shù)據(jù)倉庫結(jié)構(gòu)——倉中數(shù)據(jù)分為如下幾個層次當(dāng)前詳細數(shù)據(jù)——當(dāng)前發(fā)生、用戶感興趣的數(shù)據(jù)。處于倉庫底層，數(shù)量龐大；管理復(fù)雜；歷史詳細數(shù)據(jù)——統(tǒng)一格式存儲（外存）、存取頻率低，但與當(dāng)前數(shù)據(jù)詳細水平相當(dāng)；輕度概略數(shù)據(jù)——從當(dāng)前詳細數(shù)據(jù)中提練出來的數(shù)據(jù)，與時間段、內(nèi)容、屬性有關(guān)；高度概略數(shù)據(jù)——高度壓縮、容易存取的數(shù)據(jù)，在倉庫最上層，常被外界引用。超數(shù)據(jù)——操作環(huán)境不能直接提取的數(shù)據(jù)，由超數(shù)據(jù)進行轉(zhuǎn)換、引導(dǎo)。392、數(shù)據(jù)倉庫結(jié)構(gòu)——倉中數(shù)據(jù)分為如下幾個層次93、數(shù)據(jù)流程從操作環(huán)境進入數(shù)據(jù)倉庫——當(dāng)前詳細層；從低到高，數(shù)據(jù)被概略化，或取走、或刪除；提練數(shù)據(jù)進入中、高層后，其余按時間推移進入歷史數(shù)據(jù)詳細層；當(dāng)前詳細數(shù)據(jù)——輕度概略——高度概略——外界引用，過時數(shù)據(jù)進入歷史詳細數(shù)據(jù)層。4、數(shù)據(jù)倉庫的使用高層數(shù)據(jù)被使用的頻率高；歷史數(shù)據(jù)使用頻率低；403、數(shù)據(jù)流程105、數(shù)據(jù)挖掘（DataMining——DM）技術(shù)應(yīng)用DM——從大量的數(shù)據(jù)中抽取有效的、新穎的、潛在有用的知識的過程DM的目的——提高市場決策能力，檢測異常模式、在過去的經(jīng)驗基礎(chǔ)上預(yù)測未來；傳統(tǒng)決策——知識庫、規(guī)則是人為外部輸入的；DM中，從系統(tǒng)內(nèi)部獲取知識——從大量數(shù)據(jù)中挖掘出來的；對明確的決策信息，通過查詢、聯(lián)想機分析分析或其它分析工具獲取知識；對隱藏在大量數(shù)據(jù)中的關(guān)系、趨勢等信息，則需要通過數(shù)據(jù)挖掘來獲取。415、數(shù)據(jù)挖掘（DataMining——DM）技術(shù)應(yīng)用DM—（1）數(shù)據(jù)挖掘過程——數(shù)據(jù)準(zhǔn)備、挖掘操作、結(jié)果表達數(shù)據(jù)準(zhǔn)備集成：從多庫環(huán)境中進行數(shù)據(jù)合并，解決語義模糊，處理遺漏、清洗臟數(shù)據(jù)；選擇：辨別需要的數(shù)據(jù)，縮小處理范圍、提高質(zhì)量；預(yù)處理：克服局限性；數(shù)據(jù)挖掘假設(shè)：系統(tǒng)產(chǎn)生假設(shè)——發(fā)現(xiàn)型的數(shù)據(jù)挖掘；用戶靠經(jīng)驗產(chǎn)生假設(shè)——驗證型數(shù)據(jù)挖掘；選擇合適工具；挖掘知識的操作；證實發(fā)現(xiàn)的知識；42（1）數(shù)據(jù)挖掘過程——數(shù)據(jù)準(zhǔn)備、挖掘操作、結(jié)果表達12結(jié)果表達和解釋對提取的信息進行分析，區(qū)分出最有價值的信息，通過決策支持工具交給決策者。不能決策所用時，重新進行挖掘。（2）數(shù)據(jù)挖掘典型的分析方法——問題類型、規(guī)模不同，采用不同的分析方法關(guān)聯(lián)分析——同一事件中的不同項的關(guān)聯(lián)性：如：超市中，有70%的顧客買牙膏，其中有90%的顧客同時會買牙刷！記為：牙膏=>牙刷或：關(guān)聯(lián)規(guī)則A=>B

可信度C=同時買A、B的人數(shù)/只買A的人數(shù)；支持度S=同時購買A或B的人數(shù)/總顧客人數(shù)；則：A=>B關(guān)聯(lián)規(guī)則是C=90%，S=70%；43結(jié)果表達和解釋13序列分析——搜尋事件之間在時間上的關(guān)聯(lián)性如：超市中，有60%的顧客買A商品后，過一段時間有80%的顧客會再買B商品可信度C=先買A、后買B的人數(shù)/只買A的人數(shù)；支持度S=先后購買A或B的人數(shù)/總顧客人數(shù)；則：A=>B序列模式C=80%，S=60%；分類分析

對數(shù)據(jù)庫中記錄分類并標(biāo)記，組成訓(xùn)練集；對訓(xùn)練集進行分析，求出分類規(guī)則，再用此規(guī)則對其它數(shù)據(jù)庫中所有記錄進行分類；聚類分析根據(jù)一定的分類規(guī)則,劃分記錄集,將數(shù)據(jù)庫中每條記錄聚集在相應(yīng)的集合之中.44序列分析——搜尋事件之間在時間上的關(guān)聯(lián)性14（3）數(shù)據(jù)挖掘常用的技術(shù)——人工智能為基礎(chǔ)、數(shù)據(jù)庫、數(shù)理統(tǒng)計等決策樹——將訓(xùn)練集劃分成一組規(guī)則，從一個集合逐步劃分成多層次的子集，開成樹形結(jié)構(gòu)；人工神經(jīng)網(wǎng)絡(luò)——模仿生物神經(jīng)網(wǎng)絡(luò)，對非線性數(shù)據(jù)快速擬合；屬于非線性預(yù)測模型；遺傳算法——基于生物進化的概念，設(shè)計一系列過程進行優(yōu)化，通過基因組合、交叉、變異和自然選擇的方式進行；簡單貝葉斯——獨立事件概率統(tǒng)計，僅適用于分類問題；對無條件數(shù)據(jù)限制其輸入；模糊和粗集——用此理論進行數(shù)據(jù)查、排序、分類。45（3）數(shù)據(jù)挖掘常用的技術(shù)——人工智能為基礎(chǔ)、數(shù)據(jù)庫、數(shù)理統(tǒng)計（4）數(shù)據(jù)挖掘的應(yīng)用——政府決策、商業(yè)經(jīng)營、企業(yè)戰(zhàn)略決策等，如：金融決策——用神經(jīng)網(wǎng)絡(luò)或統(tǒng)計回歸模型預(yù)測，對各種投資方向的有關(guān)數(shù)據(jù)進行分析，選擇最佳投資方向；保險決策——以數(shù)據(jù)倉庫為基礎(chǔ)，聯(lián)機分析處理、數(shù)據(jù)挖掘為工具，預(yù)測顧客保險模式，建成保險決策支持系統(tǒng)?！?6（4）數(shù)據(jù)挖掘的應(yīng)用——政府決策、商業(yè)經(jīng)營、企業(yè)戰(zhàn)略決策等，6、基于數(shù)據(jù)倉庫的DSS的結(jié)構(gòu)MIS在結(jié)構(gòu)化事務(wù)處理方面非常成功，對半結(jié)構(gòu)化決策力不從心。DSS主要提供對半結(jié)構(gòu)化、非結(jié)構(gòu)化決策的人機交互系統(tǒng)，支持決策，有效地彌補MIS的不足；傳統(tǒng)的DSS與MIS建立在相同的數(shù)據(jù)基礎(chǔ)上，難以快速、有效、科學(xué)地支持決策；數(shù)據(jù)倉庫在數(shù)據(jù)庫的基礎(chǔ)上，將異庫、異地數(shù)據(jù)源提供的數(shù)據(jù)進行整合——集成、存儲、提取、維護，以支持高層決策。476、基于數(shù)據(jù)倉庫的DSS的結(jié)構(gòu)171、現(xiàn)有DSS的結(jié)構(gòu)與不足現(xiàn)有DSS的結(jié)構(gòu)如下圖6.3、6.4所示：人機交互系統(tǒng)模型庫管理系統(tǒng)、模型庫數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫用戶圖6.3傳統(tǒng)DSS結(jié)構(gòu)人機交互系統(tǒng)模型庫管理系統(tǒng)、模型庫知識庫管理系統(tǒng)推理機、知識庫圖6.4引入知識推理的DSS結(jié)構(gòu)用戶數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫481、現(xiàn)有DSS的結(jié)構(gòu)與不足人機交互系統(tǒng)模型庫管理數(shù)據(jù)庫管理用現(xiàn)有DSS的不足主要體現(xiàn)在：加工能力差——處理能力強，分析能力差；數(shù)據(jù)質(zhì)量差——日常原始數(shù)據(jù)，散亂、格式不統(tǒng)一，訪問效率低；技術(shù)支持與相應(yīng)工具缺乏；知識推理困難。2、數(shù)據(jù)倉庫的特征和休系結(jié)構(gòu)DW的主要功能是：將決策所需數(shù)據(jù)從營運數(shù)據(jù)庫中提取出來，將分散、訪問困難的營運數(shù)據(jù)轉(zhuǎn)化為集中、統(tǒng)一、隨時可用的數(shù)據(jù)信息，同時提高數(shù)據(jù)信息處理的速度與效率。49現(xiàn)有DSS的不足主要體現(xiàn)在：19數(shù)據(jù)倉庫的技術(shù)特征面向管理、集成綜合、歷史數(shù)據(jù)、隨時間推移；以業(yè)務(wù)數(shù)據(jù)為數(shù)據(jù)源，提練、加工、匯總、整理，以適應(yīng)應(yīng)用需求；支持多種復(fù)雜數(shù)據(jù)的綜合應(yīng)用和綜合性管理決策。數(shù)據(jù)倉庫的體系結(jié)構(gòu)從多個不同的數(shù)據(jù)源提取數(shù)據(jù)、經(jīng)轉(zhuǎn)換為統(tǒng)一格式后集成，構(gòu)成數(shù)據(jù)倉庫；用戶決策時，從數(shù)據(jù)倉庫查詢所需信息；數(shù)據(jù)倉庫的基本體系結(jié)構(gòu)如圖6.5所示。50數(shù)據(jù)倉庫的技術(shù)特征20關(guān)系數(shù)據(jù)庫數(shù)據(jù)文件其它數(shù)據(jù)倉庫管理工具抽取、轉(zhuǎn)換、裝載元數(shù)據(jù)庫數(shù)據(jù)建模工具綜合數(shù)據(jù)當(dāng)前數(shù)據(jù)歷史數(shù)據(jù)用戶查詢工具C/S工具OLAP工具DM工具圖6.5數(shù)據(jù)倉庫的基本體系結(jié)構(gòu)數(shù)據(jù)源倉庫管理數(shù)據(jù)倉庫分析工具51關(guān)系數(shù)據(jù)庫數(shù)據(jù)文件其它數(shù)據(jù)倉庫抽取、轉(zhuǎn)元數(shù)據(jù)庫數(shù)據(jù)建模綜合數(shù)3.基于數(shù)據(jù)倉庫的DSS結(jié)構(gòu)數(shù)據(jù)倉庫從多種數(shù)據(jù)源中抽取、轉(zhuǎn)化、集成，形成統(tǒng)一、穩(wěn)定的決策所用數(shù)據(jù)；在數(shù)據(jù)倉庫基礎(chǔ)上，OLAP（聯(lián)機分析處理）、DM（數(shù)據(jù)模型）兩種分析工具特別適合于決策分析；OLAP主要采用時序趨勢分析、視圖旋轉(zhuǎn)、深入訪問等多維分析方法，從而發(fā)現(xiàn)趨勢，……；DM則主要從大型數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)模式，預(yù)測趨勢和行為，提有價值的信息，……；在數(shù)據(jù)倉庫的基礎(chǔ)上，結(jié)合OLAP與DM分析工具，開發(fā)新型DSS，對倉中數(shù)據(jù)進行跨主題的在線分析，供及時、準(zhǔn)確決策；其DSS結(jié)構(gòu)如圖6.6所示。523.基于數(shù)據(jù)倉庫的DSS結(jié)構(gòu)22人機交互系統(tǒng)知識庫管理系統(tǒng)推理機知識庫模型庫管理系統(tǒng)模型庫決策信息知識信息數(shù)據(jù)倉庫管理系統(tǒng)數(shù)據(jù)倉庫數(shù)據(jù)抽取、轉(zhuǎn)換和裝載（數(shù)據(jù)采集）數(shù)據(jù)庫管理系統(tǒng)數(shù)據(jù)庫DM工具OLAP工具用戶圖6.6基于數(shù)據(jù)倉庫的決策支持系統(tǒng)53人機交互系統(tǒng)知識庫管理系統(tǒng)推理機模型庫管理系統(tǒng)決策信息數(shù)6.3人工智能1、專家系統(tǒng)（ExpertSystem——ES）利用知識推理過程解決復(fù)雜問題的計算機智能程序，良要由五大部分組成：知識獲取——收集人類專家的成功案例、經(jīng)驗，歸納其中的精華、構(gòu)成知識；知識庫——分類整理，形成知識庫（由規(guī)則庫、數(shù)據(jù)庫組成）；知識庫管理系統(tǒng)——程序化處理；推理機構(gòu)——判斷規(guī)則程序化；用戶接