Введение 6

1 Применение нейронных сетей для анализа данных в информационных хранилищах 8

1.1 Необходимость анализа информационных массивов 8

1.2 Основные понятия технологии искусственных нейронных сетей 9

1.3 Программные продукты для анализа данных с помощью нейросетевых технологий 16

2 Общесистемные решения 23

2.1 Пояснительная записка к техническому проекту 23

2.2 Описание схемы организационной структуры ООО 24

2.3 Описание автоматизируемых функций и схемы функциональной структуры АСОН 27

2.4 Описание постановки задачи 29

3 Математическое обеспечение 30

3.1 Математические основы нейросетевых технологий 30

3.2 Описание схемы работы АСОН 31

4 Информационное обеспечение 33

4.1 Перечень входных и выходных данных АСОН 34

4.2 Описание формата входного сигнала 34

4.3 Описание типа и формата выходных данных 34

5 Техническое обеспечение АСОН 36

5.1 Описание комплекса технических средств 36

5.1 Инструкция по эксплуатации комплекса технических средств 37

6 Программное обеспечение 39

6.1 Описание программного обеспечения 39

6.2 Описание технологии доступа к данным ADO DB 39

6.3 Описание контрольного примера 39

7 Организационное обеспечение 44

7.1 Описание организационной структуры ООО 44

7.2 Руководство пользователя АСОН 44

8 8 Оценка надёжности автоматизированной системы обучения нейросетей на основе данных из информационного хранилища по всем фазам проектирования 49

9 Экономическая часть 66

9.1 Расчет трудоемкости разработки АСОН 67

9.2 Расчет стоимости машинного часа 70

9.3 Расчет себестоимости АСОН 75

9.4 Обоснование цены АСОН 76

9.5 Анализ конкурентоспособности 77

9.6 Расчет экономического эффекта от внедрения АСОН 82

10 Охрана труда и окружающей среды 82

10.1 Анализ вредных и опасных производственной факторов 83

10.2 Организация производственного помещения и размещение оборудования 86

10.3 Микроклимат производственных помещений и организация воздухообмена 88

10.4 Производственное освещение 92

10.5 Защита от излучений при работе на ПЭВМ 95

10.6 Эргономика рабочего места. Режим труда и отдыха 96

10.7 Электробезопасность 98

10.8 Пожарная безопасность 100

Заключение 103

Библиографический список 106

Приложение А. Техническое задание на разработку АСОН 108

Приложение Б. IDEF0 – диаграммы 120

Приложение В. Схема работы системы 125

Приложение Г. Текст программы 126

В наши дни возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так называемые искусственные нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга.

Актуальность исследований в этом направлении подтверждается массой различных применений ИНС. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью ИНС можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. В то время как в других странах применение ИНС уже достаточно обширно, у нас это еще в некоторой степени экзотика – российские фирмы, использующие ИНС в практических целях, – редкость.

Успех ИНС определяется несколькими причинами:

? Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с такими задачами, которые не позволяет решить моделирование линейных зависимостей (случай большого числа переменных);

? Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает процедуру обучения, которая автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Нейронные сети – мощный и на сегодня, пожалуй, наилучший метод для решения задач аппроксимации данных в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейронной сети, обеспечивает обработку недоступных оператору объемов информации за времена, меньшие или сравнимые с допустимыми временами измерений.

Использование нейросетей для анализа данных является одной из приоритетных задач в работе с информационными хранилищами. Хранилища отличают от обычных баз данных большой объем информации и большое количество агрегированных данных. Именно применение нейросетевых технологий позволяет проводить процесс извлечения нетривиальных, ранее неизвестных, потенциально полезных, понятно и ясно сформулированных знаний которые могут быть использованы для решения ключевых задач бизнеса., т.е. делать т.н. "Data Mining" – добывать данные.

1. ГОСТ 34.201 – 89 Информационная технология. Виды, комплектность и обозначение документов при создании автоматизированных систем.

2. ГОСТ 34.602 – 89 Информационная технология. Техническое задание на создание автоматизированных систем.

3. ГОСТ 12.1.005-88 Общие санитарно-гигиенические требования к воздуху рабочей зоны.

4. ГОСТ 19.404 – 79 Пояснительная записка.

5. ГОСТ 19.701 – 90 Схемы алгоритмов, программ, данных и систем.

6. ГОСТ 28.195 – 89 Оценка качества программных средств.

7. Р 2.2.755-99 Гигиенические критерии оценки условий труда по показателям вредности и опасности факторов производственной среды, тяжести и напряжённости трудового процесса.

8. СанПин 2.2.2/2.4-1340-03 Гигиенические требования к персональным электронно-вычислительным машинам и организации работы.

9. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия “Учебники экономико-аналитического института МИФИ” под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. – 224 с.

10. Змиртович А.И. Интеллектуальные информационные системы. - Мн.: НТООО «ТетраСистемс», 1997. - 368 с.

11. Каханер Д., Моулер К., Нэш С. Численные методы и программное обеспечение. – М: Мир, 1998. – 575с.

12. Назаренко М. Курс лекций. Теория и практика формальных нейронных сетей. - http://nuweb.jinr.ru/~nazaren/unc/nn_ru.html.

13. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. – СПб.: Наука и Техника, 2003. – 384с.

14. Огнянович А. В. Методические указания по выполнению организационно – экономической части дипломного проекта. – Тула 2003.

15. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М: Финансы и статистика, 2002. – 344с.

16. Практикум применения пакета Brainmaker для прогнозирования на финансовых рынках/ Перевод и редакция Сергея Блинова. - http://win.aha.ru/~mdo/office/bm_fin.htm.

17. Технико – экономическое обоснование дипломных проектов: Учеб. пособие для втузов/ Л. А. Астреина, В. В. Балдесов, В. К. Беклешов и др.; Под ред. В. К. Беклешова. – М.: Высш. Шк., 1991.

18. Типовые нормы времени на программирование задач для ЭВМ. – М.: Экономика, 1989.

Примечаний нет.