决策支持系统与人工智能课件

第6章决策支持系统与人工智能学时：2重点：决策支持系统的概念数据仓库与数据挖掘技术专家系统与人工智能·难点：数据仓库与数据挖掘2022/12/311课件编写：肖洪生第6章决策支持系统与人工智能学时：22022/12/2716.1决策支持系统

DecisionSupportSystem——DSS1、概念MIS在事务管理层能很好地满足实际需要；决策则要从制定目标、收集信息、方案探索与比较多个方面进行，MIS难以满足要求；结构化决策是：目标、规则均明确，MIS可有效支持决策各个阶段的工作；半结构化决策是：目标不清晰、多目标冲突，方案选择规则不清楚，MIS不能完全支持决策问题。实际中，半结构决策问题较多。2022/12/312课件编写：肖洪生6.1决策支持系统

DecisionSupportSy对DSS的理解有几种观点；广义DSS——多学科交叉、高技术手段运用，解决半决策化问题，强调“人——机”交互，收集信息数据，帮助决策层制定目标、建立模型、方案分析、比较、优化等；狭义DSS——利用数据、模型、方法、知识推理进行半结构化决策的“人——机”系统；“支持”不是代替，仅起辅助作用。2、DSS的特点面向决策层——帮助决策层惧资料，进行分析、设计；决策人员起主导作用，DSS要考虑用户的特点，如行业要求、决策人员的知识背景、爱好等；DSS主要解决半结构化决策问题；“支持”而不代替；模型与用户共同驱动——根据历史数据、当前数据，对未来进行基于知识的推理，同时积累；DSS的基础是数据库、模型库、方法库、知识库；强调“人——机”交互；推理规则；2022/12/313课件编写：肖洪生对DSS的理解有几种观点；2022/12/273课件编写：3、DSS与MIS的区别DSS与MIS的联系——MIS是DSS的基础，MIS主要面对结构化决策，DSS主要面对半结构化决策；DSS与MIS的区别——DSS主要面对中、高决策层，进行半结构化决策，与MIS在如下几个方面有区别：MIS用于日常业务，DSS用于管理目标与决策；MIS追求过程最优，DSS追求可行方案，不要求最优；MIS要求工作环境稳定，保障日常业务正常；MIS强调系统、客观、科学、最优，DSS强调经验、判断、创造；MIS是数据驱动、DSS是模型与用户共同驱动；MIS希望尽量少的人为干扰，DSS要求更多的“人——机”会话，强调“人”的作用；MIS体现全局、整体，DSS体现决策人的需要。2022/12/314课件编写：肖洪生3、DSS与MIS的区别2022/12/274课件编写：4、DSS的发展智能化DSS——知识工程+人工智能+专家系统，为处理不确事实上性领域的问题提供技术保证；群体DSS——从个体DSS发展到群体DSS，操作环境升级，比个体DSS在决策更为优越；行为导向DSS——利用“行为科学”来引导、支持决策者，而不仅仅用信息科学来支持决策，这是今后DSS发展的主要方向。5、DSS的框架结构DataBase、ModelBase——两库结构；见图6.1智能DSS框架，见图6.22022/12/315课件编写：肖洪生4、DSS的发展2022/12/275课件编写：肖洪生数据库DB模型库MB模型库管理系统MBMS用户接口用户数据库管理系统DBMS图6.1DDM框架结构——两库结构2022/12/316课件编写：肖洪生数据库DB模型库MB模型库管理系统用户接口用户数据库管理数据采集知识获取用户模型设计DBDBMSMBMBMSKBKBMS处理控制系统分析评价系统自动推理机智能化用户接口图6.2智能DSS框架结构2022/12/317课件编写：肖洪生数据知识用户模型设计DBMBKB处理控制系统分析评价系统自动6.2数据仓库与数据挖掘1、数据仓库定义与特征——对历史数据进行集成化收集与处理的信息机构；这些历史数据可以从多个信息系统环境中收集并整理，对决策起辅助任作用其特征是：面向主题——按企业关心的主题进行数据收集与整理；集成化——从不同数据环境中收集的数据，能按内容进行格式统一，如名字转换、度量统一、结构编码与物理属性一致处理等；时变性——体现在如下几方面数据仓库中的数据是一段时间上如一季度）的表现；仓中数据具有相同的键结构、其中包含时间因素；在记录周期内，仓中数据一旦记录后则不能更新；非活性——仓中数据不能修改、删除，只有整理、初始化数据时才能修改，通常使用仓中数据不会影响。2022/12/318课件编写：肖洪生6.2数据仓库与数据挖掘1、数据仓库定义与特征——对历史数2、数据仓库结构——仓中数据分为如下几个层次当前详细数据——当前发生、用户感兴趣的数据。处于仓库底层，数量庞大；管理复杂；历史详细数据——统一格式存储（外存）、存取频率低，但与当前数据详细水平相当；轻度概略数据——从当前详细数据中提练出来的数据，与时间段、内容、属性有关；高度概略数据——高度压缩、容易存取的数据，在仓库最上层，常被外界引用。超数据——操作环境不能直接提取的数据，由超数据进行转换、引导。2022/12/319课件编写：肖洪生2、数据仓库结构——仓中数据分为如下几个层次2022/12/3、数据流程从操作环境进入数据仓库——当前详细层；从低到高，数据被概略化，或取走、或删除；提练数据进入中、高层后，其余按时间推移进入历史数据详细层；当前详细数据——轻度概略——高度概略——外界引用，过时数据进入历史详细数据层。4、数据仓库的使用高层数据被使用的频率高；历史数据使用频率低；2022/12/3110课件编写：肖洪生3、数据流程2022/12/2710课件编写：肖洪生5、数据挖掘（DataMining——DM）技术应用DM——从大量的数据中抽取有效的、新颖的、潜在有用的知识的过程DM的目的——提高市场决策能力，检测异常模式、在过去的经验基础上预测未来；传统决策——知识库、规则是人为外部输入的；DM中，从系统内部获取知识——从大量数据中挖掘出来的；对明确的决策信息，通过查询、联想机分析分析或其它分析工具获取知识；对隐藏在大量数据中的关系、趋势等信息，则需要通过数据挖掘来获取。2022/12/3111课件编写：肖洪生5、数据挖掘（DataMining——DM）技术应用DM—（1）数据挖掘过程——数据准备、挖掘操作、结果表达数据准备集成：从多库环境中进行数据合并，解决语义模糊，处理遗漏、清洗脏数据；选择：辨别需要的数据，缩小处理范围、提高质量；预处理：克服局限性；数据挖掘假设：系统产生假设——发现型的数据挖掘；用户靠经验产生假设——验证型数据挖掘；选择合适工具；挖掘知识的操作；证实发现的知识；2022/12/3112课件编写：肖洪生（1）数据挖掘过程——数据准备、挖掘操作、结果表达2022/结果表达和解释对提取的信息进行分析，区分出最有价值的信息，通过决策支持工具交给决策者。不能决策所用时，重新进行挖掘。（2）数据挖掘典型的分析方法——问题类型、规模不同，采用不同的分析方法关联分析——同一事件中的不同项的关联性：如：超市中，有70%的顾客买牙膏，其中有90%的顾客同时会买牙刷！记为：牙膏=>牙刷或：关联规则A=>B

可信度C=同时买A、B的人数/只买A的人数；支持度S=同时购买A或B的人数/总顾客人数；则：A=>B关联规则是C=90%，S=70%；2022/12/3113课件编写：肖洪生结果表达和解释2022/12/2713课件编写：肖洪生序列分析——搜寻事件之间在时间上的关联性如：超市中，有60%的顾客买A商品后，过一段时间有80%的顾客会再买B商品可信度C=先买A、后买B的人数/只买A的人数；支持度S=先后购买A或B的人数/总顾客人数；则：A=>B序列模式C=80%，S=60%；分类分析

对数据库中记录分类并标记，组成训练集；对训练集进行分析，求出分类规则，再用此规则对其它数据库中所有记录进行分类；聚类分析根据一定的分类规则,划分记录集,将数据库中每条记录聚集在相应的集合之中.2022/12/3114课件编写：肖洪生序列分析——搜寻事件之间在时间上的关联性2022/12/27（3）数据挖掘常用的技术——人工智能为基础、数据库、数理统计等决策树——将训练集划分成一组规则，从一个集合逐步划分成多层次的子集，开成树形结构；人工神经网络——模仿生物神经网络，对非线性数据快速拟合；属于非线性预测模型；遗传算法——基于生物进化的概念，设计一系列过程进行优化，通过基因组合、交叉、变异和自然选择的方式进行；简单贝叶斯——独立事件概率统计，仅适用于分类问题；对无条件数据限制其输入；模糊和粗集——用此理论进行数据查、排序、分类。2022/12/3115课件编写：肖洪生（3）数据挖掘常用的技术——人工智能为基础、数据库、数理统计（4）数据挖掘的应用——政府决策、商业经营、企业战略决策等，如：金融决策——用神经网络或统计回归模型预测，对各种投资方向的有关数据进行分析，选择最佳投资方向；保险决策——以数据仓库为基础，联机分析处理、数据挖掘为工具，预测顾客保险模式，建成保险决策支持系统。……2022/12/3116课件编写：肖洪生（4）数据挖掘的应用——政府决策、商业经营、企业战略决策等，6、基于数据仓库的DSS的结构MIS在结构化事务处理方面非常成功，对半结构化决策力不从心。DSS主要提供对半结构化、非结构化决策的人机交互系统，支持决策，有效地弥补MIS的不足；传统的DSS与MIS建立在相同的数据基础上，难以快速、有效、科学地支持决策；数据仓库在数据库的基础上，将异库、异地数据源提供的数据进行整合——集成、存储、提取、维护，以支持高层决策。2022/12/3117课件编写：肖洪生6、基于数据仓库的DSS的结构2022/12/2717课件编1、现有DSS的结构与不足现有DSS的结构如下图6.3、6.4所示：人机交互系统模型库管理系统、模型库数据库管理系统、数据库用户图6.3传统DSS结构人机交互系统模型库管理系统、模型库知识库管理系统推理机、知识库图6.4引入知识推理的DSS结构用户数据库管理系统、数据库2022/12/3118课件编写：肖洪生1、现有DSS的结构与不足人机交互系统模型库管理数据库管理用现有DSS的不足主要体现在：加工能力差——处理能力强，分析能力差；数据质量差——日常原始数据，散乱、格式不统一，访问效率低；技术支持与相应工具缺乏；知识推理困难。2、数据仓库的特征和休系结构DW的主要功能是：将决策所需数据从营运数据库中提取出来，将分散、访问困难的营运数据转化为集中、统一、随时可用的数据信息，同时提高数据信息处理的速度与效率。2022/12/3119课件编写：肖洪生现有DSS的不足主要体现在：2022/12/2719课件数据仓库的技术特征面向管理、集成综合、历史数据、随时间推移；以业务数据为数据源，提练、加工、汇总、整理，以适应应用需求；支持多种复杂数据的综合应用和综合性管理决策。数据仓库的体系结构从多个不同的数据源提取数据、经转换为统一格式后集成，构成数据仓库；用户决策时，从数据仓库查询所需信息；数据仓库的基本体系结构如图6.5所示。2022/12/3120课件编写：肖洪生数据仓库的技术特征2022/12/2720课件编写：肖洪关系数据库数据文件其它数据仓库管理工具抽取、转换、装载元数据库数据建模工具综合数据当前数据历史数据用户查询工具C/S工具OLAP工具DM工具图6.5数据仓库的基本体系结构数据源仓库管理数据仓库分析工具2022/12/3121课件编写：肖洪生关系数据库数据文件其它数据仓库抽取、转元数据库数据建模综合数3.基于数据仓库的DSS结构数据仓库从多种数据源中抽取、转化、集成，形成统一、稳定的决策所用数据；在数据仓库基础上，OLAP（联机分析处理）、DM（数据模型）两种分析工具特别适合于决策分析；OLAP主要采用时序趋势分析、视图旋转、深入访问等多维分析方法，从而发现趋势，……；DM则主要从大型数据集中发现数据模式，预测趋势和行为，提有价值的信息，……；在数据仓库的基础上，结合OLAP与DM分析工具，开发新型DSS，对仓中数据进行跨主题的在线分析，供及时、准确决策；其DSS结构如图6.6所示。2022/12/3122课件编写：肖洪生3.基于数据仓库的DSS结构2022/12/2722课件编写人机交互系统知识库管理系统推理机知识库模型库管理系统模型库决策信息知识信息数据仓库管理系统数据仓库数据抽取、转换和装载（数据采集）数据库管理系统数据库DM工具OLAP工具用户图6.6基于数据仓库的决策支持系统2022/12/3123课件编写：肖洪生人机交互系统知识库管理系统推理机模型库管理系统决策信息数6.3人工智能1、专家系统（ExpertSystem——ES）利用知识推理过程解决复杂问题的计算机智能程序，良要由五大部分组成：知识获取——收集人类专家的成功案例、经验，归纳其中的精华、构成知识；知识库——分类整理，形成知识库（由规则库、数据库组成）；知识库管理系统——程序化处理；推理机构——判断规则程序化；用户接口——用户界面。2022/12/3124课件编写：肖洪生6.3人工智能1、专家系统（ExpertSystem——2、神经网络专家系统的缺点是：专家建立、专家使用，难以推广。神经网络方法的基本原理按照人类大脑的活动原理，构造数据驱动的非线性模型；组成要素为：神经元结构模型、网络连接模型、网络学习算法；神经元连接模型是：输入层、中间层、输出层共3层神经元，相邻层之间有带权值的线连接；神经网络工作时，要先进行学习、训练——即神经元连接不断调整自身的权值，使神经网络的输出值与期望值的方差最小。学习效果好坏直接影响预测精度。2022/12/3125课件编写：肖洪生2、神经网络2022/12/2725课件编写：肖洪生神经网络结构模型多个输入，一个输出之间的函数关系：

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

上式中，si为反馈信息，wi为权值，f为特性函数，yi为神经元的输出；根据输入、输出特性的不同，选择不同的特性函数。常用特性函数的线性函数、Sigmoid函数、双曲正切函数等。2022/12/3126课件编写：肖洪生神经网络结构模型2022/12/2726课件编写：肖洪生神经网络的连接模型

多个神经元连接成一个网络，具体有单层、多层、循环连接几种连接形式；学习算法用一组输入向量，采用预先确定的算法，慢慢调整网络的权值，使之产生一组期望的

输出向量，由于神经网络的非线性关系，各变量的关系隐含于网络系统之中，无关数据之间不能使网络收敛，故由此可以排除不相关数据。2022/12/3127课件编写：肖洪生神经网络的连接模型2022/12/2727课件编写：肖洪神经网络的反向传播算法（B-P算法）

B-P算法是最常用的神经网的络学习算法，其基本原理如下：神经网络对一组特定的输入产生期望的输出，可通过网络不断地调整连线的权值来实现。其主要步骤有：全部连线的初始权值为较小的随机数；输入一组训练数据，计算网络输出值；计算此输出值与期望值之间的偏差，从输出层反向计算至第一隐含层，向着减少偏差的方向调整权值；④对训练集中的每一组数据都重复上面步骤②、③，直至整个训练集中的偏差最小为止。2022/12/3128课件编写：肖洪生神经网络的反向传播算法（B-P算法）2022/12/27283.遗传算法神经网络有局部极小化问题，遗传算法是全局最优算法。遗传算法（GeneticAlgorithm——GA）：是借助于生物界自然选择和自然遗传机制的随机化搜索算法，适用于传统搜索算法难以解决的非线性复杂问题。两个数据转换：表现型到基因型——编码、基因型到表现型——译码，上一对互逆操作；遗传算法是：“生成+检测”的迭代搜索算法，其算法流程如图6.8所示：2022/12/3129课件编写：肖洪生3.遗传算法2022/12/2729课件编写：肖洪生编码和初始群体生成群体中个体适应度的检测评估选择交叉变异图6.8遗传算法的基本流程遗传算法的三个基本算法：1、选择，2、交叉，3、变异；遗传算法的5个基本参数是：1.参数编码2.初始群体的设定、3.适应度函数的设计4.遗传操作设计5.控制参数设计P157举例：三个决策变量、每个变量两个取值，四种经营策略，如何编码、适应度列表、……，自行阅读之2022/12/3130课件编写：肖洪生编码和初始群体生成群体中个体适应度的检测评估选择交叉变异图6第6章决策支持系统与人工智能学时：2重点：决策支持系统的概念数据仓库与数据挖掘技术专家系统与人工智能·难点：数据仓库与数据挖掘2022/12/3131课件编写：肖洪生第6章决策支持系统与人工智能学时：22022/12/2716.1决策支持系统

DecisionSupportSystem——DSS1、概念MIS在事务管理层能很好地满足实际需要；决策则要从制定目标、收集信息、方案探索与比较多个方面进行，MIS难以满足要求；结构化决策是：目标、规则均明确，MIS可有效支持决策各个阶段的工作；半结构化决策是：目标不清晰、多目标冲突，方案选择规则不清楚，MIS不能完全支持决策问题。实际中，半结构决策问题较多。2022/12/3132课件编写：肖洪生6.1决策支持系统

DecisionSupportSy对DSS的理解有几种观点；广义DSS——多学科交叉、高技术手段运用，解决半决策化问题，强调“人——机”交互，收集信息数据，帮助决策层制定目标、建立模型、方案分析、比较、优化等；狭义DSS——利用数据、模型、方法、知识推理进行半结构化决策的“人——机”系统；“支持”不是代替，仅起辅助作用。2、DSS的特点面向决策层——帮助决策层惧资料，进行分析、设计；决策人员起主导作用，DSS要考虑用户的特点，如行业要求、决策人员的知识背景、爱好等；DSS主要解决半结构化决策问题；“支持”而不代替；模型与用户共同驱动——根据历史数据、当前数据，对未来进行基于知识的推理，同时积累；DSS的基础是数据库、模型库、方法库、知识库；强调“人——机”交互；推理规则；2022/12/3133课件编写：肖洪生对DSS的理解有几种观点；2022/12/273课件编写：3、DSS与MIS的区别DSS与MIS的联系——MIS是DSS的基础，MIS主要面对结构化决策，DSS主要面对半结构化决策；DSS与MIS的区别——DSS主要面对中、高决策层，进行半结构化决策，与MIS在如下几个方面有区别：MIS用于日常业务，DSS用于管理目标与决策；MIS追求过程最优，DSS追求可行方案，不要求最优；MIS要求工作环境稳定，保障日常业务正常；MIS强调系统、客观、科学、最优，DSS强调经验、判断、创造；MIS是数据驱动、DSS是模型与用户共同驱动；MIS希望尽量少的人为干扰，DSS要求更多的“人——机”会话，强调“人”的作用；MIS体现全局、整体，DSS体现决策人的需要。2022/12/3134课件编写：肖洪生3、DSS与MIS的区别2022/12/274课件编写：4、DSS的发展智能化DSS——知识工程+人工智能+专家系统，为处理不确事实上性领域的问题提供技术保证；群体DSS——从个体DSS发展到群体DSS，操作环境升级，比个体DSS在决策更为优越；行为导向DSS——利用“行为科学”来引导、支持决策者，而不仅仅用信息科学来支持决策，这是今后DSS发展的主要方向。5、DSS的框架结构DataBase、ModelBase——两库结构；见图6.1智能DSS框架，见图6.22022/12/3135课件编写：肖洪生4、DSS的发展2022/12/275课件编写：肖洪生数据库DB模型库MB模型库管理系统MBMS用户接口用户数据库管理系统DBMS图6.1DDM框架结构——两库结构2022/12/3136课件编写：肖洪生数据库DB模型库MB模型库管理系统用户接口用户数据库管理数据采集知识获取用户模型设计DBDBMSMBMBMSKBKBMS处理控制系统分析评价系统自动推理机智能化用户接口图6.2智能DSS框架结构2022/12/3137课件编写：肖洪生数据知识用户模型设计DBMBKB处理控制系统分析评价系统自动6.2数据仓库与数据挖掘1、数据仓库定义与特征——对历史数据进行集成化收集与处理的信息机构；这些历史数据可以从多个信息系统环境中收集并整理，对决策起辅助任作用其特征是：面向主题——按企业关心的主题进行数据收集与整理；集成化——从不同数据环境中收集的数据，能按内容进行格式统一，如名字转换、度量统一、结构编码与物理属性一致处理等；时变性——体现在如下几方面数据仓库中的数据是一段时间上如一季度）的表现；仓中数据具有相同的键结构、其中包含时间因素；在记录周期内，仓中数据一旦记录后则不能更新；非活性——仓中数据不能修改、删除，只有整理、初始化数据时才能修改，通常使用仓中数据不会影响。2022/12/3138课件编写：肖洪生6.2数据仓库与数据挖掘1、数据仓库定义与特征——对历史数2、数据仓库结构——仓中数据分为如下几个层次当前详细数据——当前发生、用户感兴趣的数据。处于仓库底层，数量庞大；管理复杂；历史详细数据——统一格式存储（外存）、存取频率低，但与当前数据详细水平相当；轻度概略数据——从当前详细数据中提练出来的数据，与时间段、内容、属性有关；高度概略数据——高度压缩、容易存取的数据，在仓库最上层，常被外界引用。超数据——操作环境不能直接提取的数据，由超数据进行转换、引导。2022/12/3139课件编写：肖洪生2、数据仓库结构——仓中数据分为如下几个层次2022/12/3、数据流程从操作环境进入数据仓库——当前详细层；从低到高，数据被概略化，或取走、或删除；提练数据进入中、高层后，其余按时间推移进入历史数据详细层；当前详细数据——轻度概略——高度概略——外界引用，过时数据进入历史详细数据层。4、数据仓库的使用高层数据被使用的频率高；历史数据使用频率低；2022/12/3140课件编写：肖洪生3、数据流程2022/12/2710课件编写：肖洪生5、数据挖掘（DataMining——DM）技术应用DM——从大量的数据中抽取有效的、新颖的、潜在有用的知识的过程DM的目的——提高市场决策能力，检测异常模式、在过去的经验基础上预测未来；传统决策——知识库、规则是人为外部输入的；DM中，从系统内部获取知识——从大量数据中挖掘出来的；对明确的决策信息，通过查询、联想机分析分析或其它分析工具获取知识；对隐藏在大量数据中的关系、趋势等信息，则需要通过数据挖掘来获取。2022/12/3141课件编写：肖洪生5、数据挖掘（DataMining——DM）技术应用DM—（1）数据挖掘过程——数据准备、挖掘操作、结果表达数据准备集成：从多库环境中进行数据合并，解决语义模糊，处理遗漏、清洗脏数据；选择：辨别需要的数据，缩小处理范围、提高质量；预处理：克服局限性；数据挖掘假设：系统产生假设——发现型的数据挖掘；用户靠经验产生假设——验证型数据挖掘；选择合适工具；挖掘知识的操作；证实发现的知识；2022/12/3142课件编写：肖洪生（1）数据挖掘过程——数据准备、挖掘操作、结果表达2022/结果表达和解释对提取的信息进行分析，区分出最有价值的信息，通过决策支持工具交给决策者。不能决策所用时，重新进行挖掘。（2）数据挖掘典型的分析方法——问题类型、规模不同，采用不同的分析方法关联分析——同一事件中的不同项的关联性：如：超市中，有70%的顾客买牙膏，其中有90%的顾客同时会买牙刷！记为：牙膏=>牙刷或：关联规则A=>B

可信度C=同时买A、B的人数/只买A的人数；支持度S=同时购买A或B的人数/总顾客人数；则：A=>B关联规则是C=90%，S=70%；2022/12/3143课件编写：肖洪生结果表达和解释2022/12/2713课件编写：肖洪生序列分析——搜寻事件之间在时间上的关联性如：超市中，有60%的顾客买A商品后，过一段时间有80%的顾客会再买B商品可信度C=先买A、后买B的人数/只买A的人数；支持度S=先后购买A或B的人数/总顾客人数；则：A=>B序列模式C=80%，S=60%；分类分析

对数据库中记录分类并标记，组成训练集；对训练集进行分析，求出分类规则，再用此规则对其它数据库中所有记录进行分类；聚类分析根据一定的分类规则,划分记录集,将数据库中每条记录聚集在相应的集合之中.2022/12/3144课件编写：肖洪生序列分析——搜寻事件之间在时间上的关联性2022/12/27（3）数据挖掘常用的技术——人工智能为基础、数据库、数理统计等决策树——将训练集划分成一组规则，从一个集合逐步划分成多层次的子集，开成树形结构；人工神经网络——模仿生物神经网络，对非线性数据快速拟合；属于非线性预测模型；遗传算法——基于生物进化的概念，设计一系列过程进行优化，通过基因组合、交叉、变异和自然选择的方式进行；简单贝叶斯——独立事件概率统计，仅适用于分类问题；对无条件数据限制其输入；模糊和粗集——用此理论进行数据查、排序、分类。2022/12/3145课件编写：肖洪生（3）数据挖掘常用的技术——人工智能为基础、数据库、数理统计（4）数据挖掘的应用——政府决策、商业经营、企业战略决策等，如：金融决策——用神经网络或统计回归模型预测，对各种投资方向的有关数据进行分析，选择最佳投资方向；保险决策——以数据仓库为基础，联机分析处理、数据挖掘为工具，预测顾客保险模式，建成保险决策支持系统。……2022/12/3146课件编写：肖洪生（4）数据挖掘的应用——政府决策、商业经营、企业战略决策等，6、基于数据仓库的DSS的结构MIS在结构化事务处理方面非常成功，对半结构化决策力不从心。DSS主要提供对半结构化、非结构化决策的人机交互系统，支持决策，有效地弥补MIS的不足；传统的DSS与MIS建立在相同的数据基础上，难以快速、有效、科学地支持决策；数据仓库在数据库的基础上，将异库、异地数据源提供的数据进行整合——集成、存储、提取、维护，以支持高层决策。2022/12/3147课件编写：肖洪生6、基于数据仓库的DSS的结构2022/12/2717课件编1、现有DSS的结构与不足现有DSS的结构如下图6.3、6.4所示：人机交互系统模型库管理系统、模型库数据库管理系统、数据库用户图6.3传统DSS结构人机交互系统模型库管理系统、模型库知识库管理系统推理机、知识库图6.4引入知识推理的DSS结构用户数据库管理系统、数据库2022/12/3148课件编写：肖洪生1、现有DSS的结构与不足人机交互系统模型库管理数据库管理用现有DSS的不足主要体现在：加工能力差——处理能力强，分析能力差；数据质量差——日常原始数据，散乱、格式不统一，访问效率低；技术支持与相应工具缺乏；知识推理困难。2、数据仓库的特征和休系结构DW的主要功能是：将决策所需数据从营运数据库中提取出来，将分散、访问困难的营运数据转化为集中、统一、随时可用的数据信息，同时提高数据信息处理的速度与效率。2022/12/3149课件编写：肖洪生现有DSS的不足主要体现在：2022/12/2719课件数据仓库的技术特征面向管理、集成综合、历史数据、随时间推移；以业务数据为数据源，提练、加工、汇总、整理，以适应应用需求；支持多种复杂数据的综合应用和综合性管理决策。数据仓库的体系结构从多个不同的数据源提取数据、经转换为统一格式后集成，构成数据仓库；用户决策时，从数据仓库查询所需信息；数据仓库的基本体系结构如图6.5所示。2022/12/3150课件编写：肖洪生数据仓库的技术特征2022/12/2720课件编写：肖洪关系数据库数据文件其它数据仓库管理工具抽取、转换、装载元数据库数据建模工具综合数据当前数据历史数据用户查询工具C/S工具OLAP工具DM工具图6.5数据仓库的基本体系结构数据源仓库管理数据仓库分析工具2022/12/3151课件编写：肖洪生关系数据库数据文件其它数据仓库抽取、转元数据库数据建模综合数3.基于数据仓库的DSS结构数据仓库从多种数据源中抽取、转化、集成，形成统一、稳定的决策所用数据；在数据仓库基础上，OLAP（联机分析处理）、DM（数据模型）两种分析工具特别适合于决策分析；OLAP主要采用时序趋势分析、视图旋转、深入访问等多维分析方法，从而发现趋势，……；DM则主要从大型数据集中发现数据模式，预测趋势和行为，提有价值的信息，……；在数据仓库的基础上，结合OLAP与DM分析工具，开发新型DSS，对仓中数据进行跨主题的在线分析，供及时、准确决策；其DSS结构如图6.6所示。2022/12/3152课件编写：肖洪生3.基于数据仓库的DSS结构2022/12/2722课件编写人机交互系统知识库管理系统推理机知识库模型库管理系统模型库决策信息知识信息数据仓库管理系统数据仓库数据抽取、转换和装载（数据采集）数据库管理系统数据库DM工具OLAP工具用户图6.6基于数据仓库的决策支持系统2022/12/3153课件编写：肖洪生人机交互系统知识库管理系统推理机模型库管理系统决策信息数6.3人工智能1、专家系统（ExpertSystem——ES）利用知识推理过程解决复杂问题的计算机智能程序，良要由五大部分组成：知识获取——收集人类专家的成功案例、经验，归纳其中的精华、构成知识；知识库——分类整理，形成知识库（由规则库、数据库组成）；知识库管理系统——程序化处理；推理机构——判断规则程序化；用户接口——用户界面。2022/12/3154课件编写：肖洪生6.3人工智能1、专家系统（Expe