CC BY
42
Рис. 1. Условная температурная шкала: а) начальный момент времени; б) момент времени т = 1000 с; в) момент времени т = 3000 с
ЛИТЕРАТУРА
Иващенко А.Б. Анализ моделей прогноза погоды: автореф. [электронный ресурс]. Режим доступа: http://masters.donntu.edu.ua/ 2006/fvti/ivaschenko/diss/index.htm.
Сайт Высшей аттестационной комиссии, Катцов В.М. Исследование динамики климата высоких широт с помощью моделей общей циркуляции атмосферы и океана: автореф. [электронный ресурс]. Режим доступа: http://vak.ed.gov.ru/announcements/ fiz mat/
KattsovVM.pdf.
Электронный образовательный ресурс Томский Государственный университет [электронный ресурс]. Режим доступа: http://
www.ctc.tsu.ru/EEResources/IWS/text/1 2.html.
Сайт Высшей аттестационной комиссии, Беркович Л.В. Гидродинамический краткосрочный прогноз погоды в пунктах для территории России: автореферат [электронный ресурс]. Режим доступа: http://vak.ed.gov.ru/announcements/fiz_mat/486/.
Дымников В.П. Моделирование климата и его изменений // Глобальные изменения природной среды и климата: избр. науч. тр. М., 1997. С. 21-231.
Самарский А.А. Теория разностных схем. М.: Наука, 1977. Бахвалов Н.С., Жидков Н.П., Кобельков ГМ Численные методы. Изд. 2-е. М.; СПб.: Физматлит, 2001.
Поступила в редакцию 23 декабря 2007 г.
4
5
2.
3.
АВТОМАТИЗИРОВАННАЯ ТЕХНОЛОГИЯ ПРОЕКТИРОВАНИЯ МОДЕЛИ ДАННЫХ ПРИ ПОСТРОЕНИИ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ
© А.А. Ильин
Большинство организаций оперируют с большим объемом данных, которые необходимо анализировать для получения полного представления о тенденциях, изменениях, других факторов, которые влияют или могут повлиять на деятельность организации. Одним из классов средств, используемых для анализа, являются информационно-аналитические системы. Информационно-аналитические системы состоят из набора интегрированных средств, выбор которых зависит от конкретной задачи. Построение информационноаналитической системы подразумевает решение четырех задач:
1. Проектирование модели данных.
2. Загрузка информации.
3. Обеспечение удовлетворительного качества данных.
4. Визуализация анализируемых данных.
При этом решение задачи проектирования модели данных является особенно важным, так как любые недочеты модели сказываются на возможностях анализа информации.
Известны 3 подхода к решению задачи проектирования модели данных:
— разработка модели данных «с нуля»;
— использование индустриальных моделей данных;
— использование универсальной модели данных.
Данные технологии обладают рядом недостатков,
что обусловливает необходимость в разработке новых методов автоматизации разработки модели данных.
Автоматизация разработки модели данных подразумевает, что разработчик определяет анализируемые сущности предметной области и связи между ними -логическую модель данных, а физическая модель данных строится автоматически на основании набора пра-
вил преобразования логической модели данных в физическую.
Логическая модель данных - ориентированный размеченный граф 0(У,Б), где V - множество анализируемых объектов; Е - множество связей между ними.
Разметка вершин V ^ 8 определяется типом анализируемого объекта, то есть 8 = {81, 82, 83}, где 81 = «факт»; 82 = «атрибут»; 83 = «медленно меняющаяся размерность».
Разметка дуг Е ^ К определяется типом связи между объектами, то есть К = {К1, К2, К3, К4}, где К1 = «факт-атрибут»; К2 = «один-к-одному»; К3 = «один-ко-многим»; К4 = «многие-ко-многим».
Ориентация графа определяется направлением связи «родитель ^ потомок» в случае связей вида К2 - К4 и направлением связи «атрибут ^ факт» в случае связи вида К1.
Правила автоматической генерации структуры реляционной базы данных могут быть представлены в форме кода на реляционно-полном языке, например, SQL, в котором часть конструкций заменена макросами, которые в процессе макроподстановки будут заменены соответствующими элементами графа 0(У,Е) логической модели данных.
Показано, что для построения правил автоматизации проектирования физической модели данных достаточно использовать следующие макросы:
— определение имени таблицы;
— получение списка фактов для таблицы фактов;
— получение списка ссылок на атрибуты для таблицы фактов;
— получение идентификатора измерения;
— получение описательных столбцов измерения;
— получение идентификатора родителя измерения.
Для оптимизации проектирования модели данных
предложено разделить решение задачи на две компоненты: 1) определение анализируемых объектов и связей между ними - выполняется специалистом по предметной области; 2) определение алгоритма автоматизированного создания физической модели данных -выполняется специалистом по теории хранилищ данных и средству визуализации информации.
В результате объединения информации об объектах предметной области и шаблонов автоматически создается физическая модель данных.
Поступила в редакцию 20 декабря 2007 г.
РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ОЦЕНКИ ПРОФЕССИОНАЛЬНЫХ И ЛИЧНОСТНЫХ КАЧЕСТВ СТУДЕНТОВ УНИВЕРСИТЕТА
© А.А. Арзамасцев, Н.А. Зенкова, П.А. Азарова
В жизни каждого человека момент окончания школы связан с проблемой о продолжении образования и выборе будущей профессии, от которого зависит успешность обучения по выбранной специальности и дальнейшее трудоустройство.
Принятие решения в эти периоды молодым человеком осложнено недостаточностью, а в определенной степени и недостоверностью информации о возможностях выбора, трудностью оценки собственных сил и способностей. По этой причине исследование свойств личности, профессионального потенциала и социальной активности молодых людей в указанные моменты времени представляет собой актуальную задачу.
Ранее нами было проведено исследование профессионального и личностного потенциала студентов Тамбовского государственного университета им. Г.Р. Державина. Для его реализации была разработана анкета, имеющая следующую структуру: статистическая информация, успеваемость, профессиональный потенциал, общественная активность, творчество, досуг, здоровье, семья [1].
С помощью полученных данных возможно оказание консультаций в управлении трудовыми ресурсами региона для достижения лучшего соответствия его реальных потребностей в специалистах, осуществлении профориентационной деятельности, прогнозировании.
Указанные задачи, на наш взгляд, можно решить путем создания на основе полученных данных экспертной системы для оценки профессиональных и личностных качеств студентов университета.
Для реализации такой экспертной системы нами была разработана компьютерная модель профессиональных и личностных качеств студентов университета на основе искусственной нейронной сети с адаптивной структурой. В ней был использован разработанный алгоритм модификации структуры искусственной нейронной сети во время обучения [2, 3].
В качестве данных для обучения ИНС были использованы результаты анкетирования студентов. Всего в социологическом исследовании приняли участие 1349 студентов преимущественно 4-5 курсов всех институтов и академий ТГУ им. Г.Р. Державина, в том числе: 116 студентов из института математики, физики и информатики, 117 студентов из института естествознания, 132 студента из института социальной работы, 85 студентов из института социологии и культурологи, 154 студента из института психологии и педагогики, 102 студента из академии искусств, сервиса и рекламы, 78 студентов из института истории и политологии, 126 студентов из института права, 123 студента из института филологии, 141 студент из института физической культуры и спорта, 40 студентов с факультета журна-
