决策支持系统的集成化模型分析与研究(2012年)

决策支持系统整合大量数据，结合模型，通过人机交互协助决策者科学决策。涵盖传统决策支持系统、智能决策支持系统、数据仓库与数据挖掘、综合决策支持系统。

数据仓库（Data Warehouse）和数据集市（Data Mart），是决策支持系统（Decision Support System）中的重要组成部分。它们支持联机分析处理（OLAP）、ROLAP和MOLAP，利用元数据（Meta Data）来定义分析指标（Measure）和维度（Dimension）。数据模型包括星型模型（Star Schema）和雪花模型（Snow Schema），同时支持数据钻入和数据钻出（Drill Down / Drill Up）、表旋转（Table Rotation）以及数据挖掘（Data Mining）。

电力营销综合管理与决策支持系统（LDMDS）集成了统计分析、专家系统、人工神经网络和模糊逻辑等多种技术，提升电力企业的数据处理能力和智能化管理水平。系统基于管理信息系统（MIS），通过建立模型库、方法库和知识库，对电力生产、销售和宏观管理进行定性和定量分析。利用专家系统和人工智能技术，LDMDS能够在复杂或不确定的情况下提供决策建议，实现对电力系统智能化管理。系统采用数据仓库技术，通过DB2 Warehouse Manager整合、清洗和规范海量电力营销数据，生成多维数据表，支持在线分析处理（OLAP）和管理报表。LDMDS还利用IBM DB2 Intelligent Miner进行科学建模，运用神经元网络和径向基函数预测等算法，建立趋势分析和预测模型，确保决策支持的科学性。系统运行在先进的IBM软硬件平台上，确保了高效稳定的运行。前端展现方面，LDMDS采用展望软件公司的工具，提供灵活多样的数据展示方式，便于管理层直观了解企业运营状况。系统具备强大的安全机制，如WebSphere Application Server V5的安全授权和SPI，确保了数据和服务的安全。系统设计具有高度的可扩展性，业务逻辑以插件形式存在，允许根据业务变化快速调整。在辽宁电力有限责任公司的案例中，LDMDS成功实现了数据共享、数据挖掘与多维分析、开放性和安全性等目标，证明了该系统的实用性和有效性。

在数据挖掘领域，设计一种优化决策支持系统的方案至关重要。

利用构件化生长模型开发的作物管理决策支持系统，提高农作物生产效率。

基于数据挖掘技术，研究了一种体育训练模式决策支持评估系统。分析了关联规则算法，详述了数据的预处理、数据挖掘和模式评估功能。重点讲解了关联规则对体育评价决策支持系统中相关的数据融合处理，提出了改进Apriori算法输出模式，提高了系统评估的效果。通过仿真对比，改进Apriori算法有效实现了体育训练模式的决策支持。

电信企业可利用数据仓库技术建立决策支持系统，架构包含逻辑架构和物理架构。逻辑架构运用数据仓库、联机分析处理、数据挖掘、模型库、知识库等技术；物理架构则负责数据存储和处理。此外，该系统还支持数据挖掘方法，为决策提供依据。

探讨了数据挖掘和地理信息系统在煤矿安全决策支持中的关键作用，提出了基于这两者的决策支持系统模型。针对煤矿企业的数据特征和决策需求进行了系统开发。

特征选择是机器学习和数据挖掘领域的关键问题之一，而特征选择的稳定性也是目前的一个研究热点。基于能量学习模型，分析了基于局部能量的特征选择方法，并根据集成特征选择的原理，对基于局部能量的特征排序结果进行集成，以提高算法的稳定性。在现实数据集上的实验结果表明，集成特征选择可以有效提高算法的稳定性。