Знание-ориентированные интеллектуальные методы принятия решений в условиях неопределенности Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519.007.52

Кучеренко Е. И.1, Ходак М. В.2

1Д-р техн. наук, профессор Харьковского национального университета радиоэлектроники, Харьков, Украина 2Аспирантка Харьковского национального университета радиоэлектроники, Харьков, Украина

ЗНАНИЕ-ОРИЕНТИРОВАННЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Рассмотрены проблемы глобального доступа к данным и знаниям компании. Наличие автоматизированных объектов потребовало реализации интеллектуальных технологий, методов и моделей оценки качества их функционирования.

Предложен метод оптимизации доступа к данным, который ориентирован на интеграцию уже существующих локальных данных и предусматривает независимую поддержку и администрирование каждого из них. Метод ориентирован на детерминированные процессы, что ограничивает его применение.

Сформулированы особенности методов обработки данных, предложен расширенный знание-ориентированный метод нечеткого вывода Т8К. Нечеткий метод Т8К, который в отличие от существующих, дополнительно включает в систему уравнений функцию полезности и позволяет осуществлять интеграцию знаний в процедурах нечеткого логического вывода с учетом значимости правил. Экспериментом подтверждена эффективность подхода в знание-ориентированных технологиях.

Ключевые слова: федеративная база данных, распределенный запрос, неоднородные системы, локальные данные, база правил.

НОМЕНКЛАТУРА

EAI - enterprise application integration; ECM - enterprise content management; EDR - enterprise data replication; EII - enterprise information integration; ETL - extract transformation loading; TSK - метод Такаги-Сугэно-Канга; БД - база данных;

СУБД - система управления базами данных;

ФД - федерализация данных;

F - нечеткое пространство данных и знаний;

r (k ) - база правил;

f (x) - полином w-го порядка;

Ца - функция полезности;

Цx. - функция принадлежности;

X. - исходные данные;

yj - параметр логического вывода;

yk - значения управленческого воздействия;

y - выходной сигнал;

x' - некоторый известный вектор;

y - искомый вектор;

Цх, y) - оператор нечеткого отношения Мамдани;

y0 - искомый четкий вектор;

y0 - центр масс частного образа;

S j - площадь частного образа;

U - множество узлов;

S - канали передачи данных;

P - выполнение запросов;

Q - множество запросов;

W - множество обновлений;

7\ - время выполнения запроса;

q j - время обновления;

D - детерминированный процесс;

Dj - дисковое пространство j-го узла; F - нечеткое пространство состояний; L. - объем i'-ш фрагмента данных;

© Кучеренко Е. И., Ходак М. В., 2015 DOI 10.15588/1607-3274-2015-4-7

п - количество фрагментов;

Рт - вероятностный процесс;

Р - процесси;

- интеграция знаний;

V - множество ограничений;

А - интеграция данных;

Т - максимальное время выполнения запросов. ВВЕДЕНИЕ

С каждым днем появляются новые технологии, что влечет за собой реорганизацию структур, неоднородных приложений и систем, оптимизацию их применения. Чтобы суметь обеспечить комфортный доступ к данным, требуются применение сложных знание - ориентированных технологий и технологии интеграции информации. Необходимо обеспечить также оптимизированный доступ к этой информации независимо от ее физического местоположения.

Интеграция информации должна происходить во всей распределенной среде. Чаще всего, проводить такого рода оптимизацию затратно для предприятий, поэтому применяют оптимизацию запросов по локальным местам. Сегодня в компаниях, приобретает все большую актуальность задачи с использованием информационных технологий.

Основной информацией, которая используется в небольших компаниях, является документооборот. Данные сохраняются в локальных базах и доступны лишь пользователям данной системы. Это приводит к тому, что доступ к данным и формирование отчетности может проводиться только в локальных системах учета или в бумажном виде.

Работа направлена не только на выявления ошибок в автоматизированной системе микропроцессорной централизации, но также их последующая обработка, классификация и прогнозирование с помощью метода Т8К. Целью исследования является интеграция знаний и данных, их совместное использование в системах, что позволит использовать интеллектуальное управление сложных систем и повысить качество управления.

1 ПОСТАНОВКА ЗАДАЧИ

Пусть существует множество процессов, для кото рых сформированы отчеты:

{Рг1} 1 6 3,

{h'k } к е к ■

(1)

(2)

Отчеты (2) характеризуется множеством показателей В, на процессах (1). Процессы (1) формируются в детерминированном, вероятностном, нечетком пространствах состояний. Процессы (1) характеризуются интеграцией динамичных данных А и знаний 5",:

V Prj (x),Pry e{Pry \Л u Sh.

(3)

Структура предметной области предложена на рис. 1.

В работе необходимо:

- выполнить содержательный анализ предметной области;

- рассмотреть существующие методы обработки информации;

- предложить алгоритмы формирования запросов;

- предложить знание-ориентированный расширенный метод нечеткой модели представления знаний на основе подходов Т8К [5].

2 ОБЗОР ЛИТЕРАТУРЫ

Существуют различные методы оптимизации и распределения данных в системе [1-4]. Организованный доступ к данным осуществляется несколькими подходами [1]:

- способ консолидации;

- способ федерализации;

- сервисный способ;

- способ распространения данных.

Среди предложенных выше способов более глобальным является способ федерализации. Для реализации данного способа доступа в систему следует оптимизировать запрос [2]. Преимуществом применения такого доступа будет удобный доступ и поиск необходимой информации во всей системе [3, 4].

Знание - ориентированные методы [5-7] на основе правил продукций имеют такие свойства как, снижение уровня неопределенности процессов и объектов, это позволяет повысить скорость в задачах логического вывода [6]. Также существует недостаток это настройка функций принадлежности нечетких процессов, сложность приобретения знаний, интерпретация полученных знаний [7].

В данной работе предложен знание-ориентированный расширенный метод нечеткой модели представления знаний на основе Т8К [5], а также сравнительный анализ расширенного метода Т8К с методом Мамдани [6].

3 МАТЕРИАЛЫ И МЕТОДЫ

Для реализации доступа к неоднородным данным автоматизированных систем, используют следующие

методы [1]: консолидация, федерализация, распространение данных, сервисный подход.

Консолидация [1] - однонаправленный процесс, то есть данные из нескольких источников сливаются в Хранилище, но не распространяются из него обратно в распределенную систему Процесс заполнения хранилища состоит из трех фаз - извлечение, преобразование, загрузка ETL (extract transformation loading). Во многих случаях именно ETL понимают под термином «интеграция данных». Технологией консолидации данных является управление содержанием корпорации ECM (enterprise content management). Большинство решений ECM направлены на консолидацию и управление неструктурированными данными, такими как документы, отчеты и web-страницы.

Федерализация: в федеративных БД физического перемещения данных не происходит: данные остаются у владельцев, доступ к ним осуществляется при необходимости (при выполнении запроса). Изначально федеративные БД предполагали создание в каждом из n узлов n-1 фрагментов кода, позволяющего обращаться к любому другому узлу [1].

При использовании медиатора создается общая модель данных. Медиатор - посредник, поддерживающий единый пользовательский интерфейса на основе глобального представления данных, содержащихся в источниках, а также поддержку отображения между глобальным и локальным представлениями данных. Пользовательский запрос, сформулированный в терминах единого интерфейса, декомпозируется на множество подзапросов, адресованных к нужным локальным источникам данных. На основе результатов их обработки синтезируется полный ответ на запрос. Используются две разновидности архитектуры с посредником - globalas view и localas view.

Интеграция корпоративной информации EII (enterprise information integration ) - это пример технологии, которая поддерживает федеративный подход к интеграции данных. Изучение и профилирование первичных данных необходимые для федерализации, несильно отличаются от аналогичных процедур, требуемых для консолидации.

Распространение данных: приложения распространения данных осуществляют копирование данных из одного места в другое. Примерами технологий, поддерживающих распространение данных, являются интеграция корпоративных приложений EAI (enterprise application integration) и тиражирование корпоративных данных EDR Enterprise data replication). От федеративных БД этот способ отличает двустороннее распространение данных [1].

Сервисный подход: сервисно-ориентированная архитектура SOA (service oriented architecture), успешно применяемая при интеграции приложений, применима и при интеграции данных. Данные также остаются у владельцев и даже местонахождение данных неизвестно. При запро-

Неоднародные данные

Выбор доступа к данным

Данные на разных узлах

Интеллектуальный анализ данных

Распределенный

запрос

Рисунок 1 - Структура анализа предметной области

се происходит обращение к определенным сервисам, которые связаны с источниками, где находится информация и ее конкретный адрес. Интеграция данных объединяет информацию из нескольких источников таким образом, чтобы ее можно было показать клиенту в виде сервиса.

В базовой модели [2] оптимизация производится путем формирования самого запроса. В нашем случае оптимизация происходит на самих узлах. Для разрешения изменяющихся данных существующих воспользуемся методом федерализации информации [1], путем объединения всех имеющихся данных в единую виртуальную базу данных, хотя фактически местоположение данных не меняется.

Достоинства данного метода в том, что независимость данных приводит к минимальным изменениям, данных. Рассмотрим подходы к расширению существующих методов. 4 ЭКСПЕРИМЕНТЫ

Существующие методы реализации доступа [8, 9] не всегда реализуют требуемые временные ресурсы и оптимизацию требуемых вычислительных ресурсов. В основе данного метода лежит ФД. Под неоднородными системами следует понимать системы, реализованные в реляционной модели данных, но имеющие различные наборы объектов с отличными семантическими связями (рис. 2) [4].

Метод ориентирован на интеграцию уже существующих локальных данных и предусматривает независимую поддержку и администрирование каждого из них. Такая независимость хранилищ позволяет работать с системой даже при выходе из строя отдельных узлов сети или линий связи и не требует наличия знания об операциях, выполняющихся в других узлах сети.

Основой метода является также работа с метаданными каждого из существующих в сети хранилищ данных. Реализация метода сводится к формированию распределенной транзакции к множеству доступных на момент поступления запроса удаленных серверов БД, на основе анализа метаданных узлов сети.

Утверждение 1. Если система реализует функции доступа к данным за минимальное время, то осуществляем оптимизацию поиска методом половинного деления (дихотомии).

Справедливость утверждения 1 очевидна, что и определяет применение методов оптимизации.

Таблица 1

В общем виде метод доступа к данным может быть представлен следующим образом:

Этап 1. Формирование неоднородных данных в системе.

Этап 2. Используя метод федерализации, инициируем доступ к неоднородным данным.

Этап 3. Оптимизация данных на основе метода дихотомии, формирование распределенного запроса {Q },i е I.

Этап 4. Выполнение запросов {Сг-},i е I.

Этап 5. Если C=false, то выполняются модификация БД и реализация этапов 1-4;

Этап 6. Для этапов 1-5 осуществляем минимизацию

временных ресурсов {Prymin;

Этап 7. Останов.

Так как в решаемой задаче на каждом узле системы хранятся эквивалентные по смыслу данные, то при выполнении транзакции будет происходить запрос данных со всех доступных интегрируемых системах с последующим объединением собранных данных в единое представление.

Учитывая что перспективные решения в задачах управления ориентированы на знание-ориентированные технологии, применим метод Такаги-Сугено-Канга. Для дальнейшего анализа и прогнозирования ошибок в системе следует применить расширение метода нечеткого управления TSK [5].

В рассмотренном модуле нечеткого управления используется база правил R(k), k=1,2,...,n. Модель представлена в виде:

if xi is A then y = f (x), (4)

применяемые в нем правила нечеткие только в части IF, тогда как в THEN неизвестные представлены полиномом:

R(1): IF(xi is Af AND x2 is Af ... AND xn is Af )THEN yN = f (1)(xb x2,..., xn); R(1): IF(xi is Af AND x2 is a" ... AND xn is Af )THEN yN = f (1)(x1, x2,., xn),(5)

- правила (25), (4) характеризуется дополнительно зависимостями [7]:

|iaj/f xi is Aj then y = f (xi )j, ae A. (6)

Недостатком существующего метода TSK [5] является отсутствие влияния значимости правил в виде нечет-

Tаслица I

Таблица 2

Таблица 4

Таблица 3

ade

Таблица 3 Таблица 5

(lb bck к f

Таблица 2

eh

Таблица 4

Рисунок 2 - Пример структурной схемы неоднородных БД

hgq

Таблица 6

кой функции полезности правил (4)-(6) [6]. Предлагается метод, этапы которого представлены:

Этап 1. Формирование правил продукций Т8К. Этап 2. Формирование функции пренадлежности М-^. Этап 3. Формирование функций полезности

{Ма} Ма=[0,1].

Этап 4. Задание исходных данных об системе xi,I е I.

Выполнив вычисления значения у на выходе модуля нечеткого управления по формуле (8):

(8)

y =

1 . 2

w y1 + w y2 w1 + w2

получим y = 7,6 , что является удовлетворительным.

Выполним сравнительный анализ нечетких расшире-Этап 5. Вычисление параметров логического вывода „ г,™, л, г,п

г г ний методом Т8К и методов Мамдани [6].

Тогда метод Мамдани представлен в виде ] if xt is xt )then y is y)

Решение (9) находим как

y' = vx' а ц(x, y),

ц( x, y) = а(ц( x,), ц( y)).

(9)

(10)

(11)

^ y j, j e J.

Этап 6. Вычисление значений управленческих воздействий {yk} k e K.

Этап 7. Прогон на тестовой выборке соответствия

x ^ y.

Этап 8. Если x ^ y = true, то else x ^ y = false и выполнить этапы 1-7;

Этап 9. Останов.

Вычислительная сложность данного метода близка к выявления, локализации и устранения рисков при дви квадратичной, что определяет перспективность подхода.

Функционирование системы в условиях неопределенности компонент предлагает применение знаний эксперта. Существующие методы и модели [6] Мамдани и TSK обладают достоинствами и недостатками, что ограничивает их реализацию на практике.

Рассмотрим пример модуля управления TSK при условии, что Ца = ^р =1:

Построим правила продукций вида (11) для задачи

R(1) : IF (x1 это малое AND x2 это cpeduee)THEN y-1 = 2 + 3x1 - х2> r(2) : IF(x1 это малое AND x2 это cpeduee)THEN y2 = -x1 + 4x2. (7)

Определим его выходной сигнал y для x1 = 2 и x2 = 3 при функции принадлежности (рис. 3)

жении мобильного объекта: x - скорость объекта if xj is"малое" = then y is"малое",

if x1 is"среднее" = then y is"среднее",

if x1 is"большое" = then y is"большое". (12) Определим функции принадлежности в виде гауссианов:

" большое"-ц(x) = 1 - e k3(x b) ;

" малое"-|м(x) = 1 - e ^ ;

" среднее "-|м(x) = 1 - e x .

Решим задачу на первом правиле из (12) графическим метод [5] (рис. 4)

Задав х , находимо решение у'. После дефаззифика-ции [5] на основе центра масс

Рисунок 4 - Графический метод: а - метод TSK, б - метод Мамдани

р-К8К 1607-3274. Радюелектронжа, шформатика, управлiння. 2015. № 4 е-ЕЗБЫ 2313-688Х. Каёю Шео^оп^, Сошриег Баепое, Сопйо1. 2015. № 4

Исходя из предметной области, для перемещения мобильного объекта определены искомые величины метода Т8К и метода Мамдани (таблица 1).

Таблица 1 - Результаты сравнения методов

Метод Результат

Метод Т8К 7,6

Метод Мамдани 5,85

(13)

(14)

(15)

Искомое решение, по данным экспертных оценок, находится в интервале 5,9 < уо < 8,2. Как следует из табл. 1 и данных эксперемента, метод Т8К является более точным, позволяет получать устойчивые решения. Это и определяет преимущества метода.

5 РЕЗУЛЬТАТЫ

Рассматриваемая БД представляет собой множество фрагментов данных в системе

F = {, , = 1... п}, которые распределены на множестве узлов

U = {и,, ] = l■■■m},

соединенных каналами передачи данных Б = {, к =

На следующем этапе функционирует приложение, которые инициируют выполнение запросов

Р = {{ = 1...г} (16)

В процессе функционирования БД порождается множество запросов

Q = {, а = 1. па}, (17)

и множество обновлений

W = {, е = 1..^}, (18)

где е е ^ для элементов, которых определенны функции

Ыча, А), (19)

- время выполнения запроса

д,(а = 1.па) и Т2^,А), (20)

- время обновления

We (е = ). (21)

Основной задачей оптимизации БД является необходимость найти систему распределения данных с учетом (13)—(21), при которой суммарное среднее время выполнения запросов и распространения обновлений, порожденных функционированием системы, минимально. Таким образом, оптимизация запросов реализуется в виде

^, , т)~

V

->Ш1П.

(22)

При вычислении критерия оптимальности необходимо учитывать следующие ограничения:

— в БД должны присутствовать хотя бы одна копия данных:

X А; > 1,(, = 1, П), ;=1

(23)

— суммарный объем данных, хранящихся на узле, не должен превышать общее дисковое пространство данного узла:

X Ц х А; < В,,(; = 1, да), ,=1

(24)

— максимальное время выполнения запросов не должно превышать заданного предельного значения Т<Т*. Тогда

V = Х А; ,-1

'Ё Ц х А;

(25)

;=1

Оптимизация запросов в работе, реализована с использованием расширения метода дихотомии (половинного деления) [10]. Применение метода позволило сократить время реализации запросов до 10%, что является удовлетворительным. 6 ОБСУЖДЕНИЕ

Усовершенствованный метод доступа является динамичным, но СУБД не учитывает особенности реализации распределенной обработки [3]. При таком подходе проблема метода оптимизации распределения данных рассматривается как комплексная проблема.

Структурная схема осуществления такого запроса представлена на (рис. 5). На основе поступающего запроса проводится анализ доступных на данных момент серверов и формируется запрос к каждому активному серверу. После чего осуществляется объединение полученных наборов данных в результирующее множество.

Особенностью формирования распреденного запроса (рис. 5) является требование доступности активных

Рисунок 5 — Схема формирования распределенного запроса

Рисунок 6 - Схема обработки распределенного запроса

серверов, что в ряде случаев вызывает сложности. Экспериментом подтверждено, что вычислительная сложность процессов (рис. 5) близка к линейной - О(п). Конвертирование названий атрибутов и условия выборки происходит в соответствии с таблицами метаданных, расположенными на используемом сервере сети, и может быть представлена в виде (рис. 6).

Недостатком метода Т8К [5-7] является его ориентация на непрерывные процессы и в меньшей мере учитывает неоднородность входных данных и знаний. В связи с этим, усовершенствование метода Т8К на основе функции полезности является перспективным, однако требует дополнительных исследований. Экспериментом подтверждено (табл. 1), что реализация метода отличается большей универсальностью по сравнению с методом Мамдани [8, 9]. ВЫВОДЫ

Разработка знание-ориентированних интеллектуальных методов и моделей анализа сложных объектов является важной состовляющей технологических процессов в производственных системах, которые функционируют в условиях неопределенности. Знание- ориентированные методы направлены на моделирование и обработку детерминированных, вероятностных и нечетких знаний, как фактор повышения качества систем.

В результате проведенных исследований получены научные и практически значимые результаты, которые

позволяют сократить время их реализации при одновременном повышении достоверности в прятиях решений до 12%, что является удовлетворительным.

1. Выполнен содержательный анализ предметной области, определены преимущества и недостатки существующих решений.

2. Определены особенности методов обработки информации на основе оптимизации запросов, сделан вывод об их применимости в предметных областях, что определяет практическую значимость полученных результатов.

3. Получил дальнейшее развитие нечеткий метод Такаги-Сугено-Канга, который в отличие от существующих, дополнительно включает в систему уравнений функцию полезности на интервале лингвистических термов [0, 1], что позволяет осуществлять интеграцию знаний в процедурах нечеткого логического вывода Такаги-Суге-но-Канга с учетом значимости правил и повышает достоверность решений.

4. Перспективой дальнейших исследований является адаптация исследований в предметных областях проектирования и внедрение результатов в производственных системах.

БЛАГОДАРНОСТИ

Работа выполнена в рамках госбюджетной научно-исследовательской темы Харьковского национального университета радиоэлектроники «Нейро-фаззи системы для текущей кластеризации и классификации последо-

2

вательностеи данных в условиях их искривления отсутствующими и аномальными» (номер гос. регистрации 0113U000361), где авторами предложены новые методы на основе развития метода Такаги-Сугено-Канга для оптимизации запросов и принятия решений на знаниях.

СПИСОК ЛИТЕРАТУРЫ

1. Архипенков С. Аналитические системы на базе Oracle Express OLAP / С. Архипенков. - M. : Диалог-МИФИ, 2000. - 287 с. Data integration in the distributed information systems // International Journal of Advanced Studies. - 2012. - №1. [Электронный ресурс]. - Режим доступа http://ijournal-as.com/issues/ 2012/1/bisterfeld pdf

Кузьмина С. П. Базы данных [Текст] / С. П. Кузьмина. - С.Пб. :СПбГИЭУ 2006. -189 с.

Райордан Р. Основы реляционных баз данных / Р. Райордан. -М. : Издательско-торговый дом «Русская редакция», 2001. -384 с.

Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилинский, Л. Рутковский. - М. : Горячая линия - Телеком, 2006. - 452 с.

6. Интеллектуальное управление технологическими процессами [Текст]: монография научное издание / [Бодянский Е. В., Кучеренко Е. И., Михальов А. И. и др.]. - Днепропетровск : Национальная металлургическая академия Украины, 2013. -213 с.

7. Tsoukalas L. H. Fuzzy and Neural Approaches in Engineering / L. H. Tsoukalas, R. E. Uhrig. - New York : John Wiley & Sonc. Inc,1997. - 587 p.

8. Ходак М. В Информационная технология автоматизированного управления мобильными объектами / М. В. Ходак, Е. И. Кучеренко // Пращ VII мiжнародноl школи-семинару «Теорiя прийняття ршень». - Ужгород, УжНУ, 2014. -С. 261-262

9. Ходак М. В. Применение нечеткой логики в моделях процессов сложных систем / М. В. Ходак, Е. И. Кучеренко // Материалы 19-го Международного молодежного форума «Радиоэлектроника и молодеж в XXI веке» Том 6. - Харьков, ХНУ-РЭ, 2015. - С 62-63.

10. Метод дихотомии или метод половинного деления [Электронный ресурс]. - Режим доступа - http://bpascal.ru/download/ desc/319.php

Статья поступила в редакцию 27.07.2015 После доработки 11.08.2015.

Кучеренко С. I.1, Ходак М. В.2

'Д-р техшчних наук, професор Харгавського нацюнального ушверситету радюелектрошки, Харгав, Укра1на 2Асшрантка Харгавського нацюнального ушверситету радюелектрошки, Харгав, Укра1на

ЗНАННЯ-ОР1еНТОВАН1 1НТЕЛЕКТУАЛЬН1 МЕТОДИ ПРИЙНЯТТЯ Р1ШЕНЬ ЗА УМОВ НЕВИЗНАЧЕНОСТ1

Розглянуто проблеми глобального доступу до даних i знань компани. Наявшсть автоматизованих об'ек™ зажадало реалiзацil штелектуальних технологш, метсдав i моделей ощнки якост 1х функцюнування.

Запропоновано метод оптимiзацil доступу до даних, який орieнтований на штегращю вже юнуючих локальних даних i передбачае незалежну тдтримку та адмшютрування кожного з них. Метод орiентований на детермшоваш процеси, що обмежуе його застосування.

Сформульовано особливосп метсдав обробки даних, запропонований розширений знання-орiентований метод нечеткого виводу TSK. Нечеткий метод TSK, який на вщмшу вщ юнуючих, додатково включае в систему рiвнянь функщю корисносп i дозволяе здшсню-вати штегращю знань в процедурах нечеткого лопчного висновку з урахуванням значущосп правил. Експериментом доведено ефек-тивнють шдходу в знання-орiентованих технолопях.

Ключовi слова: федеративна база даних, розподшений запит, неоднорщщ системи, локальш даш, база правил.

Kucherenko Ye. I.1, Khodak M. V.2

*Dr. Sc., prof., Professor of Department of Artificial Intelligence, Kharkiv National University of Radio Electronics, Kharkiv, Ukraine 2Postgraduate student of Department of Artificial Intelligence, Kharkiv National University of Radio Electronics, Kharkiv, Ukraine KNOWLEDGE-ORIENTED INTELLECTUAL METHODS DECISION UNDER UNCERTAINTY

The problems of global access to data and knowledge of the company. Availability of automated facilities require the implementation of intelligent technologies, methods and models for assessing the quality of their functioning.

A method for optimizing data access, which is focused on the integration of existing local data, and provides independent support and administration of each of them. The method is focused on a deterministic process, which limits its application.

Formulated especially data processing techniques, to offer enhanced knowledge-oriented method of fuzzy inference TSK. Fuzzy method TSK, which, unlike the existing ones, further includes a system of equations of the utility function and enables the integration of knowledge in the procedures of fuzzy inference based on the importance of rules. The experiment confirmed the effectiveness of the approach to knowledge-oriented technologies.

Keywords: federated database, distributed query, inhomogeneous systems, local data, rule base.

REFERENCES

1. Arhipenkov S. Analitical systems based on Oracle Express OLAP. Moscow, Dialogue-MIFI, 2000, 287 p.

2. Data integration in the distributed information systems [electronic resource]. Access mode http://ijournal-as.com/issues/2012/1/ bisterfeld.pdf

3. Kuzmina S. P. Databases. Sankt-Peterburg, SPbGIEY 2006, 189 p.

4. Riordan R. Relational database systems. Moscow, Publishing trade house «Russian edition», 2001, 384p.

5. Rutkovska D., Rutkovski L., Pilinski M. Neural network,genetic algorithms and fuzzy systems. Moscow, Hotline-Telecom, 2006, 452 p.

6. Bodyanskiy E. V., Kucherenko E. I., Mihalev A. I., Filatov V. A., Gasik M. M., Kucin V. S. Intelligent menagment technological

process monografh-scientific publication. Dnipropetrovsk, National metallurgical academy of Ukrain, 2013, 213 p. Tsoukalas L. H., Uhrig R. E. Fuzzy and Neural Approaches in Engineering. New York, John Wiley & Sonc. Inc,1997, 587 p. Khodak M. V., Kucherenko E. I. Information technology computer-aided management of mobile objects, Proceedings of the VII international school-seminar «Decision theory». Uzhgorod, Uzhgorod National University, 2014, pp. 261-262. Khodak M. V., Kucherenko E. I. The use of fuzzy logic in the process models of complex systems, Proceedings of the 19th International Youth Forum «Radioelectronics and Youth in XXI century», Volume 6. Kharkiv, KNURE, 2015, pp. 62-63 10.The method of dichotomy or bisection method [electronic resource]. Access mode http://bpascal.ru/download/desc/319.php

8

9