Проверяемый текст
Кахутин, Павел Викторович. Повышение качества системы поддержки принятия решений в технологической подготовке машиностроительного производства путем организации хранилищ данных (Диссертация 2004)
[стр. 121]

121 определяющих правила вида X->Y, где X какая-то комбинация значений параметров ТП, a Y факт отклонения значения нормируемого параметра от заданного.
После определения всех параметров ТП представляется полезным совместное решение задач кластеризации и классификации.
Исходными данными для решения задачи кластеризации может служить тот же гиперкуб, который использовался в процессе поиска ассоциативных правил.
Из него извлекаются сведения о фактах выпуска некачественных деталей, для которых строится таксономия отклонений, в которой все факты отклонений соотносятся с тем или иным классом в зависимости от значений параметров ТП.
Полученная таксономия может быть использована для решения задачи классификации, когда вновь спроектированный ТП изготовления детали на основании значений своих параметров может быть отнесен к какому-либо ранее определенному классу.
Если каждый класс таксономии связан с определенным типом отклонений, то классификация нового ТП позволит технологу сконцентрировать внимание на конкретных параметрах ТП и внести необходимые коррективы.
Этапы нормирования труда и подготовки технологической документации, как правило, хорошо формализованы и определены, поэтому не требуют дополнительной поддержки со стороны СППР.

Для решения перечисленных выше задач и в соответствии с определением, сформулированным в
[98], ХД должно отвечать следующим требованиям: • предметная ориентация.
Данные, содержащиеся в ХД, служат для решения конкретных аналитических задач, поэтому должны содержать именно сведения, необходимые для решения задач, в необходимом и достаточном объеме.
При этом структуры, содержащие данные, должны быть оптимизированы для скорейшего доступа к данным со стороны приложений, выполняющих аналитическую обработку данных;
[стр. 83]

данных можно построить гиперкуб, в котором отражается зависимость между количеством случаев брака и величиной припуска.
После расчета режимов резания становится возможным решение задачи поиска ассоциаций.
Под ассоциациями в данном случае могут пониматься сочетания самых разных параметров ТП, приводящие с большой вероятностью к выпуску некачественной продукции.
С этой целью также может быть использован гиперкуб, содержащий сведения о контроле интересующих параметров у конструктивно сходных деталей.
После небольшого преобразования к этим данным возможно применение алгоритмов, определяющих правила вида X->Y, где X какая-то комбинация значений параметров ТП, a Y факт отклонения значения нормируемого параметра от заданного.
После определения всех параметров ТП представляется полезным совместное решение задач кластеризации и классификации.
Исходными данными для решения задачи кластеризации может служить тот же гиперкуб, который использовался в процессе поиска ассоциативных правил.
Из него извлекаются сведения о фактах выпуска некачественных деталей, для которых строится таксономия отклонений, в которой все факты отклонений соотносятся с тем или иным классом в зависимости от значений параметров ТП.
Полученная таксономия может быть использована для решения задачи классификации, когда вновь спроектированный ТП изготовления детали на основании значений своих параметров может быть отнесен к какому-либо ранее определенному классу.
Если каждый класс таксономии связан с определенным типом отклонений, то классификация нового ТП позволит технологу сконцентрировать внимание на конкретных параметрах ТП и внести необходимые коррективы.
Этапы нормирования труда и подготовки технологической документации, как правило, хорошо формализованы и определены, поэтому не требуют дополнительной поддержки со стороны СППР.

83

[стр.,84]

84 для решения перечисленных выше задач и в соответствии с определением, сформулированным в [71], ХД должно отвечать следующим требованиям: Данные служат для решения конкретных аналитических задач, поэтому должны содержать именно сведения, необходимые для решения задач, в необходимом и достаточном объеме.
При этом, структуры, содержащие данные, должны быть оптимизированы для скорейшего доступа к данным со стороны приложений, выполняющих аналитическую обработку данных;
интегрированность данных.
В информационных подсистемах КИС, процессы и явления описываются, как правило, с точки зрения специалистов соответствующей предметной области.
Выявление скрытых закономерностей в данных возможно, напротив, за счет всестороннего рассмотрения какого-либо объекта, выходящего за рамки одной предметной области.
Поэтому данные должны поступать в ХД из различных источников.
Важной особенностью процесса интеграции является необходимость предварительной «очистки» данных перед помещением их в ХД.
«Очистка» данных необходима, поскольку одни и те же атрибуты, описывающие исследуемый объектв разных информационных подсистемах, могут отличаться по способу кодирования, в силу ошибок ввода, сбоев в работе системы и т.д.; инвариантность во времени.
Это требование предполагает, что данные, один раз помещенные в ХД, уже никогда не будут изменены.
Таким образом, каждая добавляемая в ХД порция информации представляет собой своего рода моментальный снимок данных КИС на момент выполнения операции.
И если данные в оперативных подсистемах могут после добавления их в

[Back]