決策支持系統與人工智能學時：2重點：決策支持系統的概念數據倉庫與數據挖掘技術專家系統與人工智能·難點：數據倉庫與數據挖掘1決策支持系統與人工智能學時：216.1決策支持系統

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

DecisionSupportSy對DSS的理解有幾種觀點；廣義DSS——多學科交叉、高技術手段運用，解決半決策化問題，強調“人——機”交互，收集信息數據，幫助決策層制定目標、建立模型、方案分析、比較、優化等；狹義DSS——利用數據、模型、方法、知識推理進行半結構化決策的“人——機”系統；“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、設計；決策人員起主導作用，DSS要考慮用戶的特點，如行業要求、決策人員的知識背景、愛好等；DSS主要解決半結構化決策問題；“支持”而不代替；模型與用戶共同驅動——根據歷史數據、當前數據，對未來進行基于知識的推理，同時積累；DSS的基礎是數據庫、模型庫、方法庫、知識庫；強調“人——機”交互；推理規則；3對DSS的理解有幾種觀點；33、DSS與MIS的區別DSS與MIS的聯系——MIS是DSS的基礎，MIS主要面對結構化決策，DSS主要面對半結構化決策；DSS與MIS的區別——DSS主要面對中、高決策層，進行半結構化決策，與MIS在如下幾個方面有區別：MIS用于日常業務，DSS用于管理目標與決策；MIS追求過程最優，DSS追求可行方案，不要求最優；MIS要求工作環境穩定，保障日常業務正常；MIS強調系統、客觀、科學、最優，DSS強調經驗、判斷、創造；MIS是數據驅動、DSS是模型與用戶共同驅動；MIS希望盡量少的人為干擾，DSS要求更多的“人——機”會話，強調“人”的作用；MIS體現全局、整體，DSS體現決策人的需要。43、DSS與MIS的區別44、DSS的發展智能化DSS——知識工程+人工智能+專家系統，為處理不確事實上性領域的問題提供技術保證；群體DSS——從個體DSS發展到群體DSS，操作環境升級，比個體DSS在決策更為優越；行為導向DSS——利用“行為科學”來引導、支持決策者，而不僅僅用信息科學來支持決策，這是今后DSS發展的主要方向。5、DSS的框架結構DataBase、ModelBase——兩庫結構；見圖6.1智能DSS框架，見圖6.254、DSS的發展5數據庫DB模型庫MB模型庫管理系統MBMS用戶接口用戶數據庫管理系統DBMS圖6.1DDM框架結構——兩庫結構6數據庫DB模型庫MB模型庫管理系統用戶接口用戶數據庫管理數據采集知識獲取用戶模型設計DBDBMSMBMBMSKBKBMS處理控制系統分析評價系統自動推理機智能化用戶接口圖6.2智能DSS框架結構7數據知識用戶模型設計DBMBKB處理控制系統分析評價系統自動6.2數據倉庫與數據挖掘1、數據倉庫定義與特征——對歷史數據進行集成化收集與處理的信息機構；這些歷史數據可以從多個信息系統環境中收集并整理，對決策起輔助任作用其特征是：面向主題——按企業關心的主題進行數據收集與整理；集成化——從不同數據環境中收集的數據，能按內容進行格式統一，如名字轉換、度量統一、結構編碼與物理屬性一致處理等；時變性——體現在如下幾方面數據倉庫中的數據是一段時間上如一季度）的表現；倉中數據具有相同的鍵結構、其中包含時間因素；在記錄周期內，倉中數據一旦記錄后則不能更新；非活性——倉中數據不能修改、刪除，只有整理、初始化數據時才能修改，通常使用倉中數據不會影響。86.2數據倉庫與數據挖掘1、數據倉庫定義與特征——對歷史數2、數據倉庫結構——倉中數據分為如下幾個層次當前詳細數據——當前發生、用戶感興趣的數據。處于倉庫底層，數量龐大；管理復雜；歷史詳細數據——統一格式存儲（外存）、存取頻率低，但與當前數據詳細水平相當；輕度概略數據——從當前詳細數據中提練出來的數據，與時間段、內容、屬性有關；高度概略數據——高度壓縮、容易存取的數據，在倉庫最上層，常被外界引用。超數據——操作環境不能直接提取的數據，由超數據進行轉換、引導。92、數據倉庫結構——倉中數據分為如下幾個層次93、數據流程從操作環境進入數據倉庫——當前詳細層；從低到高，數據被概略化，或取走、或刪除；提練數據進入中、高層后，其余按時間推移進入歷史數據詳細層；當前詳細數據——輕度概略——高度概略——外界引用，過時數據進入歷史詳細數據層。4、數據倉庫的使用高層數據被使用的頻率高；歷史數據使用頻率低；103、數據流程105、數據挖掘（DataMining——DM）技術應用DM——從大量的數據中抽取有效的、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、在過去的經驗基礎上預測未來；傳統決策——知識庫、規則是人為外部輸入的；DM中，從系統內部獲取知識——從大量數據中挖掘出來的；對明確的決策信息，通過查詢、聯想機分析分析或其它分析工具獲取知識；對隱藏在大量數據中的關系、趨勢等信息，則需要通過數據挖掘來獲取。115、數據挖掘（DataMining——DM）技術應用DM—（1）數據挖掘過程——數據準備、挖掘操作、結果表達數據準備集成：從多庫環境中進行數據合并，解決語義模糊，處理遺漏、清洗臟數據；選擇：辨別需要的數據，縮小處理范圍、提高質量；預處理：克服局限性；數據挖掘假設：系統產生假設——發現型的數據挖掘；用戶靠經驗產生假設——驗證型數據挖掘；選擇合適工具；挖掘知識的操作；證實發現的知識；12（1）數據挖掘過程——數據準備、挖掘操作、結果表達12結果表達和解釋對提取的信息進行分析，區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）數據挖掘典型的分析方法——問題類型、規模不同，采用不同的分析方法關聯分析——同一事件中的不同項的關聯性：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：關聯規則A=>B

可信度C=同時買A、B的人數/只買A的人數；支持度S=同時購買A或B的人數/總顧客人數；則：A=>B關聯規則是C=90%，S=70%；13結果表達和解釋13序列分析——搜尋事件之間在時間上的關聯性如：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/只買A的人數；支持度S=先后購買A或B的人數/總顧客人數；則：A=>B序列模式C=80%，S=60%；分類分析

對數據庫中記錄分類并標記，組成訓練集；對訓練集進行分析，求出分類規則，再用此規則對其它數據庫中所有記錄進行分類；聚類分析根據一定的分類規則,劃分記錄集,將數據庫中每條記錄聚集在相應的集合之中.14序列分析——搜尋事件之間在時間上的關聯性14（3）數據挖掘常用的技術——人工智能為基礎、數據庫、數理統計等決策樹——將訓練集劃分成一組規則，從一個集合逐步劃分成多層次的子集，開成樹形結構；人工神經網絡——模仿生物神經網絡，對非線性數據快速擬合；屬于非線性預測模型；遺傳算法——基于生物進化的概念，設計一系列過程進行優化，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——獨立事件概率統計，僅適用于分類問題；對無條件數據限制其輸入；模糊和粗集——用此理論進行數據查、排序、分類。15（3）數據挖掘常用的技術——人工智能為基礎、數據庫、數理統計（4）數據挖掘的應用——政府決策、商業經營、企業戰略決策等，如：金融決策——用神經網絡或統計回歸模型預測，對各種投資方向的有關數據進行分析，選擇最佳投資方向；保險決策——以數據倉庫為基礎，聯機分析處理、數據挖掘為工具，預測顧客保險模式，建成保險決策支持系統。……16（4）數據挖掘的應用——政府決策、商業經營、企業戰略決策等，6、基于數據倉庫的DSS的結構MIS在結構化事務處理方面非常成功，對半結構化決策力不從心。DSS主要提供對半結構化、非結構化決策的人機交互系統，支持決策，有效地彌補MIS的不足；傳統的DSS與MIS建立在相同的數據基礎上，難以快速、有效、科學地支持決策；數據倉庫在數據庫的基礎上，將異庫、異地數據源提供的數據進行整合——集成、存儲、提取、維護，以支持高層決策。176、基于數據倉庫的DSS的結構171、現有DSS的結構與不足現有DSS的結構如下圖6.3、6.4所示：人機交互系統模型庫管理系統、模型庫數據庫管理系統、數據庫用戶圖6.3傳統DSS結構人機交互系統模型庫管理系統、模型庫知識庫管理系統推理機、知識庫圖6.4引入知識推理的DSS結構用戶數據庫管理系統、數據庫181、現有DSS的結構與不足人機交互系統模型庫管理數據庫管理用現有DSS的不足主要體現在：加工能力差——處理能力強，分析能力差；數據質量差——日常原始數據，散亂、格式不統一，訪問效率低；技術支持與相應工具缺乏；知識推理困難。2、數據倉庫的特征和休系結構DW的主要功能是：將決策所需數據從營運數據庫中提取出來，將分散、訪問困難的營運數據轉化為集中、統一、隨時可用的數據信息，同時提高數據信息處理的速度與效率。19現有DSS的不足主要體現在：19數據倉庫的技術特征面向管理、集成綜合、歷史數據、隨時間推移；以業務數據為數據源，提練、加工、匯總、整理，以適應應用需求；支持多種復雜數據的綜合應用和綜合性管理決策。數據倉庫的體系結構從多個不同的數據源提取數據、經轉換為統一格式后集成，構成數據倉庫；用戶決策時，從數據倉庫查詢所需信息；數據倉庫的基本體系結構如圖6.5所示。20數據倉庫的技術特征20關系數據庫數據文件其它數據倉庫管理工具抽取、轉換、裝載元數據庫數據建模工具綜合數據當前數據歷史數據用戶查詢工具C/S工具OLAP工具DM工具圖6.5數據倉庫的基本體系結構數據源倉庫管理數據倉庫分析工具21關系數據庫數據文件其它數據倉庫抽取、轉元數據庫數據建模綜合數3.基于數據倉庫的DSS結構數據倉庫從多種數據源中抽取、轉化、集成，形成統一、穩定的決策所用數據；在數據倉庫基礎上，OLAP（聯機分析處理）、DM（數據模型）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、深入訪問等多維分析方法，從而發現趨勢，……；DM則主要從大型數據集中發現數據模式，預測趨勢和行為，提有價值的信息，……；在數據倉庫的基礎上，結合OLAP與DM分析工具，開發新型DSS，對倉中數據進行跨主題的在線分析，供及時、準確決策；其DSS結構如圖6.6所示。223.基于數據倉庫的DSS結構22人機交互系統知識庫管理系統推理機知識庫模型庫管理系統模型庫決策信息知識信息數據倉庫管理系統數據倉庫數據抽取、轉換和裝載（數據采集）數據庫管理系統數據庫DM工具OLAP工具用戶圖6.6基于數據倉庫的決策支持系統23人機交互系統知識庫管理系統推理機模型庫管理系統決策信息數6.3人工智能1、專家系統（ExpertSystem——ES）利用知識推理過程解決復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、經驗，歸納其中的精華、構成知識；知識庫——分類整理，形成知識庫（由規則庫、數據庫組成）；知識庫管理系統——程序化處理；推理機構——判斷規則程序化；用戶接口——用戶界面。246.3人工智能1、專家系統（ExpertSystem——2、神經網絡專家系統的缺點是：專家建立、專家使用，難以推廣。神經網絡方法的基本原理按照人類大腦的活動原理，構造數據驅動的非線性模型；組成要素為：神經元結構模型、網絡連接模型、網絡學習算法；神經元連接模型是：輸入層、中間層、輸出層共3層神經元，相鄰層之間有帶權值的線連接；神經網絡工作時，要先進行學習、訓練——即神經元連接不斷調整自身的權值，使神經網絡的輸出值與期望值的方差最小。學習效果好壞直接影響預測精度。252、神經網絡25神經網絡結構模型多個輸入，一個輸出之間的函數關系：

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

上式中，si為反饋信息，wi為權值，f為特性函數，yi為神經元的輸出；根據輸入、輸出特性的不同，選擇不同的特性函數。常用特性函數的線性函數、Sigmoid函數、雙曲正切函數等。26神經網絡結構模型26神經網絡的連接模型

多個神經元連接成一個網絡，具體有單層、多層、循環連接幾種連接形式；學習算法用一組輸入向量，采用預先確定的算法，慢慢調整網絡的權值，使之產生一組期望的

輸出向量，由于神經網絡的非線性關系，各變量的關系隱含于網絡系統之中，無關數據之間不能使網絡收斂，故由此可以排除不相關數據。27神經網絡的連接模型27神經網絡的反向傳播算法（B-P算法）

B-P算法是最常用的神經網的絡學習算法，其基本原理如下：神經網絡對一組特定的輸入產生期望的輸出，可通過網絡不斷地調整連線的權值來實現。其主要步驟有：全部連線的初始權值為較小的隨機數；輸入一組訓練數據，計算網絡輸出值；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整權值；④對訓練集中的每一組數據都重復上面步驟②、③，直至整個訓練集中的偏差最小為止。28神經網絡的反向傳播算法（B-P算法）283.遺傳算法神經網絡有局部極小化問題，遺傳算法是全局最優算法。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，適用于傳統搜索算法難以解決的非線性復雜問題。兩個數據轉換：表現型到基因型——編碼、基因型到表現型——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個基本參數是：1.參數編碼2.初始群體的設定、3.適應度函數的設計4.遺傳操作設計5.控制參數設計P157舉例：三個決策變量、每個變量兩個取值，四種經營策略，如何編碼、適應度列表、……，自行閱讀之30編碼和初始群體生成群體中個體適應度的檢測評估選擇交叉變異圖6決策支持系統與人工智能學時：2重點：決策支持系統的概念數據倉庫與數據挖掘技術專家系統與人工智能·難點：數據倉庫與數據挖掘31決策支持系統與人工智能學時：216.1決策支持系統

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

DecisionSupportSy對DSS的理解有幾種觀點；廣義DSS——多學科交叉、高技術手段運用，解決半決策化問題，強調“人——機”交互，收集信息數據，幫助決策層制定目標、建立模型、方案分析、比較、優化等；狹義DSS——利用數據、模型、方法、知識推理進行半結構化決策的“人——機”系統；“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、設計；決策人員起主導作用，DSS要考慮用戶的特點，如行業要求、決策人員的知識背景、愛好等；DSS主要解決半結構化決策問題；“支持”而不代替；模型與用戶共同驅動——根據歷史數據、當前數據，對未來進行基于知識的推理，同時積累；DSS的基礎是數據庫、模型庫、方法庫、知識庫；強調“人——機”交互；推理規則；33對DSS的理解有幾種觀點；33、DSS與MIS的區別DSS與MIS的聯系——MIS是DSS的基礎，MIS主要面對結構化決策，DSS主要面對半結構化決策；DSS與MIS的區別——DSS主要面對中、高決策層，進行半結構化決策，與MIS在如下幾個方面有區別：MIS用于日常業務，DSS用于管理目標與決策；MIS追求過程最優，DSS追求可行方案，不要求最優；MIS要求工作環境穩定，保障日常業務正常；MIS強調系統、客觀、科學、最優，DSS強調經驗、判斷、創造；MIS是數據驅動、DSS是模型與用戶共同驅動；MIS希望盡量少的人為干擾，DSS要求更多的“人——機”會話，強調“人”的作用；MIS體現全局、整體，DSS體現決策人的需要。343、DSS與MIS的區別44、DSS的發展智能化DSS——知識工程+人工智能+專家系統，為處理不確事實上性領域的問題提供技術保證；群體DSS——從個體DSS發展到群體DSS，操作環境升級，比個體DSS在決策更為優越；行為導向DSS——利用“行為科學”來引導、支持決策者，而不僅僅用信息科學來支持決策，這是今后DSS發展的主要方向。5、DSS的框架結構DataBase、ModelBase——兩庫結構；見圖6.1智能DSS框架，見圖6.2354、DSS的發展5數據庫DB模型庫MB模型庫管理系統MBMS用戶接口用戶數據庫管理系統DBMS圖6.1DDM框架結構——兩庫結構36數據庫DB模型庫MB模型庫管理系統用戶接口用戶數據庫管理數據采集知識獲取用戶模型設計DBDBMSMBMBMSKBKBMS處理控制系統分析評價系統自動推理機智能化用戶接口圖6.2智能DSS框架結構37數據知識用戶模型設計DBMBKB處理控制系統分析評價系統自動6.2數據倉庫與數據挖掘1、數據倉庫定義與特征——對歷史數據進行集成化收集與處理的信息機構；這些歷史數據可以從多個信息系統環境中收集并整理，對決策起輔助任作用其特征是：面向主題——按企業關心的主題進行數據收集與整理；集成化——從不同數據環境中收集的數據，能按內容進行格式統一，如名字轉換、度量統一、結構編碼與物理屬性一致處理等；時變性——體現在如下幾方面數據倉庫中的數據是一段時間上如一季度）的表現；倉中數據具有相同的鍵結構、其中包含時間因素；在記錄周期內，倉中數據一旦記錄后則不能更新；非活性——倉中數據不能修改、刪除，只有整理、初始化數據時才能修改，通常使用倉中數據不會影響。386.2數據倉庫與數據挖掘1、數據倉庫定義與特征——對歷史數2、數據倉庫結構——倉中數據分為如下幾個層次當前詳細數據——當前發生、用戶感興趣的數據。處于倉庫底層，數量龐大；管理復雜；歷史詳細數據——統一格式存儲（外存）、存取頻率低，但與當前數據詳細水平相當；輕度概略數據——從當前詳細數據中提練出來的數據，與時間段、內容、屬性有關；高度概略數據——高度壓縮、容易存取的數據，在倉庫最上層，常被外界引用。超數據——操作環境不能直接提取的數據，由超數據進行轉換、引導。392、數據倉庫結構——倉中數據分為如下幾個層次93、數據流程從操作環境進入數據倉庫——當前詳細層；從低到高，數據被概略化，或取走、或刪除；提練數據進入中、高層后，其余按時間推移進入歷史數據詳細層；當前詳細數據——輕度概略——高度概略——外界引用，過時數據進入歷史詳細數據層。4、數據倉庫的使用高層數據被使用的頻率高；歷史數據使用頻率低；403、數據流程105、數據挖掘（DataMining——DM）技術應用DM——從大量的數據中抽取有效的、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、在過去的經驗基礎上預測未來；傳統決策——知識庫、規則是人為外部輸入的；DM中，從系統內部獲取知識——從大量數據中挖掘出來的；對明確的決策信息，通過查詢、聯想機分析分析或其它分析工具獲取知識；對隱藏在大量數據中的關系、趨勢等信息，則需要通過數據挖掘來獲取。415、數據挖掘（DataMining——DM）技術應用DM—（1）數據挖掘過程——數據準備、挖掘操作、結果表達數據準備集成：從多庫環境中進行數據合并，解決語義模糊，處理遺漏、清洗臟數據；選擇：辨別需要的數據，縮小處理范圍、提高質量；預處理：克服局限性；數據挖掘假設：系統產生假設——發現型的數據挖掘；用戶靠經驗產生假設——驗證型數據挖掘；選擇合適工具；挖掘知識的操作；證實發現的知識；42（1）數據挖掘過程——數據準備、挖掘操作、結果表達12結果表達和解釋對提取的信息進行分析，區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）數據挖掘典型的分析方法——問題類型、規模不同，采用不同的分析方法關聯分析——同一事件中的不同項的關聯性：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：關聯規則A=>B

可信度C=同時買A、B的人數/只買A的人數；支持度S=同時購買A或B的人數/總顧客人數；則：A=>B關聯規則是C=90%，S=70%；43結果表達和解釋13序列分析——搜尋事件之間在時間上的關聯性如：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/只買A的人數；支持度S=先后購買A或B的人數/總顧客人數；則：A=>B序列模式C=80%，S=60%；分類分析

對數據庫中記錄分類并標記，組成訓練集；對訓練集進行分析，求出分類規則，再用此規則對其它數據庫中所有記錄進行分類；聚類分析根據一定的分類規則,劃分記錄集,將數據庫中每條記錄聚集在相應的集合之中.44序列分析——搜尋事件之間在時間上的關聯性14（3）數據挖掘常用的技術——人工智能為基礎、數據庫、數理統計等決策樹——將訓練集劃分成一組規則，從一個集合逐步劃分成多層次的子集，開成樹形結構；人工神經網絡——模仿生物神經網絡，對非線性數據快速擬合；屬于非線性預測模型；遺傳算法——基于生物進化的概念，設計一系列過程進行優化，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——獨立事件概率統計，僅適用于分類問題；對無條件數據限制其輸入；模糊和粗集——用此理論進行數據查、排序、分類。45（3）數據挖掘常用的技術——人工智能為基礎、數據庫、數理統計（4）數據挖掘的應用——政府決策、商業經營、企業戰略決策等，如：金融決策——用神經網絡或統計回歸模型預測，對各種投資方向的有關數據進行分析，選擇最佳投資方向；保險決策——以數據倉庫為基礎，聯機分析處理、數據挖掘為工具，預測顧客保險模式，建成保險決策支持系統。……46（4）數據挖掘的應用——政府決策、商業經營、企業戰略決策等，6、基于數據倉庫的DSS的結構MIS在結構化事務處理方面非常成功，對半結構化決策力不從心。DSS主要提供對半結構化、非結構化決策的人機交互系統，支持決策，有效地彌補MIS的不足；傳統的DSS與MIS建立在相同的數據基礎上，難以快速、有效、科學地支持決策；數據倉庫在數據庫的基礎上，將異庫、異地數據源提供的數據進行整合——集成、存儲、提取、維護，以支持高層決策。476、基于數據倉庫的DSS的結構171、現有DSS的結構與不足現有DSS的結構如下圖6.3、6.4所示：人機交互系統模型庫管理系統、模型庫數據庫管理系統、數據庫用戶圖6.3傳統DSS結構人機交互系統模型庫管理系統、模型庫知識庫管理系統推理機、知識庫圖6.4引入知識推理的DSS結構用戶數據庫管理系統、數據庫481、現有DSS的結構與不足人機交互系統模型庫管理數據庫管理用現有DSS的不足主要體現在：加工能力差——處理能力強，分析能力差；數據質量差——日常原始數據，散亂、格式不統一，訪問效率低；技術支持與相應工具缺乏；知識推理困難。2、數據倉庫的特征和休系結構DW的主要功能是：將決策所需數據從營運數據庫中提取出來，將分散、訪問困難的營運數據轉化為集中、統一、隨時可用的數據信息，同時提高數據信息處理的速度與效率。49現有DSS的不足主要體現在：19數據倉庫的技術特征面向管理、集成綜合、歷史數據、隨時間推移；以業務數據為數據源，提練、加工、匯總、整理，以適應應用需求；支持多種復雜數據的綜合應用和綜合性管理決策。數據倉庫的體系結構從多個不同的數據源提取數據、經轉換為統一格式后集成，構成數據倉庫；用戶決策時，從數據倉庫查詢所需信息；數據倉庫的基本體系結構如圖6.5所示。50數據倉庫的技術特征20關系數據庫數據文件其它數據倉庫管理工具抽取、轉換、裝載元數據庫數據建模工具綜合數據當前數據歷史數據用戶查詢工具C/S工具OLAP工具DM工具圖6.5數據倉庫的基本體系結構數據源倉庫管理數據倉庫分析工具51關系數據庫數據文件其它數據倉庫抽取、轉元數據庫數據建模綜合數3.基于數據倉庫的DSS結構數據倉庫從多種數據源中抽取、轉化、集成，形成統一、穩定的決策所用數據；在數據倉庫基礎上，OLAP（聯機分析處理）、DM（數據模型）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、深入訪問等多維分析方法，從而發現趨勢，……；DM則主要從大型數據集中發現數據模式，預測趨勢和行為，提有價值的信息，……；在數據倉庫的基礎上，結合OLAP與DM分析工具，開發新型DSS，對倉中數據進行跨主題的在線分析，供及時、準確決策；其DSS結構如圖6.6所示。523.基于數據倉庫的DSS結構22人機交互系統知識庫管理系統推理機知識庫模型庫管理系統模型庫決策信息知識信息數據倉庫管理系統數據倉庫數據抽取、轉換和裝載（數據采集）數據庫管理系統數據庫DM工具OLAP工具用戶圖6.6基于數據倉庫的決策支持系統53人機交互系統知識庫管理系統推理機模型庫管理系統決策信息數6.3人工智能1、專家系統（ExpertSystem——ES）利用知識推理過程解決復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、經驗，歸納其中的精華、構成知識；知識庫——分類整理，形成知識庫（由規則庫、數據庫組成）；知識庫管理系統——程序化處理；推理機構——判斷規則程序化；用戶接