《管理信息系统决策支持系统与人工智能课件》由会员分享，可在线阅读，更多相关《管理信息系统决策支持系统与人工智能课件（30页珍藏版）》请在金锄头文库上搜索。
1、1,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,2,6.1 决策支持系统Decision Support SystemDSS,1、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。,3,对DSS的理解有几种观点； 广义DSS多学科交叉、高技术手
2、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；,4,3、
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
4、要。,5,4、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 Data Base、Model Base两库结构； 见图6.1 智能DSS框架，见图6.2,6,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6.1 DDM框架结构两库结构,7,数据 采集,知识 获取,用户,模型设计,
5、DB DBMS,MB MBMS,KB KBMS,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,8,6.2 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
6、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。,9,2、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。,10,3、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
7、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；,11,5、数据挖掘（Data MiningDM）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
8、等信息， 则需要通过数据挖掘来获取。,12,（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；,13,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
9、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%；,14,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
10、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.,15,（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。,16,（4）数
11、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。,17,6、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
12、护，以支持高 层决策。,18,1、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,19,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，
13、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。,20,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。,21,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
14、 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,22,3.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
15、如图6.6所示。,23,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,24,6.3 人工智能,1、专家系统（Expert SystemES） 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
16、面。,25,2、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。,26,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+si yi=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。,27,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
