决策支持系统 DSS 理论·方法·案例PDF电子书下载

目录 1

第1章　概论 1

1.1　决策支持系统的产生与发展 1

1.1.1 DSS的产生背景 1

1.1.2 DSS的发展 2

1.2 DSS发展的理论基础 4

1.2.1　信息论 4

1.2.2　计算机技术 4

1.2.4　信息经济学 5

1.2.3　管理科学和运筹学 5

1.2.5　行为科学 6

1.2.6　人工智能 7

1.3 DSS与相关技术的关系 7

1.3.1　决策与预测的关系 7

1.3.2 DSS与管理科学、运筹学的关系 10

1.3.3 DSS与MIS的关系 11

1.3.4 DSS与专家系统的关系 12

1.4　新一代DSS的发展 13

1.4.1　群决策支持系统 13

1.4.2　分布式决策支持系统 14

1.4.3　智能决策支持系统 15

1.4.4　决策支持中心 16

1.4.5　战略决策支持系统 17

1.4.6　I3DSS 18

1.5　数据仓库与决策支持系统 19

1.5.1　新型的决策支持技术——数据仓库和联机分析处理 19

1.5.2　综合决策支持系统 19

1.5.3　基于数据仓库的决策支持系统 21

第2章　决策支持系统的基本概念 22

2.1　结构化、半结构化和非结构化问题 22

2.1.1　概述 22

2.1.2　决策问题的性质和层次 23

2.2　决策支持与DSS的定义 25

2.2.1　决策支持 25

2.2.2　决策支持分类 25

2.2.3　决策风格 27

2.2.4　DSS的定义 28

2.3 DSS的概念模式 29

2.3.1 系统分析 29

2.3.2　专用DSS 30

2.3.3 DSS工具 30

2.3.4 DSS生成器 31

2.3.5　累接设计 32

2.3.6 ROMC分析方法 33

2.3.7　系统的柔性 35

2.3.8　系统的集成化 36

第3章　DSS的构造与系统结构 38

3.1 引言 38

3.1.1　DSS的基本部件 38

3.1.2 目标 39

3.2　DSS的人机界面和问题处理系统 40

3.2.1　人机界面 40

3.1.3　功能 40

3.2.2　问题处理系统 42

3.2.3　自然语言理解 43

3.3 四库系统 46

3.3.1　数据库系统 46

3.3.2　模型库系统 47

3.3.3　知识库系统 47

3.3.4　方法库系统 48

3.4　DSS的系统结构 50

3.4.1　三角式结构 50

3.4.2 串联结构 50

3.4.4 以数据库为中心的结构 51

3.4.3　熔合式结构 51

3.4.5 四库三功能的系统结构 52

3.4.6　智能DSS的结构 53

3.5 DSS的体系结构与分析 54

3.5.1　DSS体系的分析 54

3.5.2　环境特征 55

3.5.3　系统的部件 56

3.5.4　资源 57

3.5.5　环境和资源的关系 58

4.1.1　数据库系统的定义及其特点 60

4.1　基本概念 60

第4章　数据库及其管理系统 60

4.1.2　DSS数据库系统的设计特点 61

4.2　数据的组织与描述 62

4.2.1　实体模型 62

4.2.2　数据模型 63

4.2.3　数据模型的设计 64

4.3 DSS的数据库设计 66

4.3.1　数据库的概念设计 67

4.3.2　数据库的逻辑设计 70

4.3.3　数据库的物理设计 72

4.3.4　数据库系统语言 72

4.4.1　数据库与知识库的结合方式 74

4.4　DSS数据库技术的发展 74

4.4.2　数据库技术支持模型库 75

4.4.3 DSS中数据库单元设计 76

4.4.4　DSS数据库技术的发展分析 76

4.5　多媒体数据库 77

4.5.1　多媒体数据库的特点与功能 77

4.5.2　多媒体数据库及其管理系统的关键技术 78

4.5.3　数据模型技术 79

5.1.1 引言 82

5.1.2　研究背景及意义 82

5.1　数据开采技术研究背景及现状 82

第5章　数据开采技术 82

5.1.3　国内外研究现状 83

5.2　数据开采技术基本概念 85

5.2.1　数据开采的定义 85

5.2.2　数据开采的过程及分类 86

5.2.3　数据开采的内容和本质 88

5.2.4　基于数据仓库的数据开采技术 89

5.3　数据开采方法 91

5.3.1　分类 91

5.3.3　神经网络 92

5.3.2 聚类 92

5.3.4　关联规则开采方法 94

5.3.5　决策树 95

5.3.6　多层次数据汇总归纳 96

5.3.7　空间数据库的数据开采 97

5.3.8　数据开采的其他方法 97

5.4　数据开采——云模型方法 98

5.4.1　定性和定量互换模型——云模型 98

5.4.2　发现状态空间理论 99

5.4.3　用云模型从空间数据库中发掘关联规则 102

5.5.2　模糊数据开采方法 104

5.5.1　数据仓库的引入 104

5.5　模糊数据开采方法 104

5.5.3 FDM应用范例 106

5.6　数据开采的智能方法 108

5.6.1　从数据库发现知识 108

5.6.2　数据开采与DBMS和联机分析处理的区别与联系 109

5.6.3　数据开采的方法和实施过程 109

5.6.4　智能算法 110

5.7　数据开采工具及发展方向 113

5.7.1　数据开采的工具 113

5.7.2　数据开采的发展方向 113

5.8.1　数据开采提供决策支持 115

5.8 SAS的数据开采的方法论——SEMMA 115

5.8.2　数据开采的方法论——SEMMA 116

5.9　数据开采的应用领域 120

5.9.1　数据开采在市场营销和金融投资中的应用 120

5.9.2　数据开采系统在风险评估中的应用 121

5.9.3 DM系统在通信网络中的应用 123

5.9.4　在DNA分析中的应用 125

5.9.5　天文数据分析中的DM系统 126

6.1.1 数据仓库的定义 128

6.1.2 数据仓库查询系统的特点 128

6.1　数据仓库概述 128

第6章　数据仓库技术 128

6.1.3 OLTP与OLAP的特点 129

6.1.4 详细数据与小结数据 129

6.1.5 数据仓库与数据集市 131

6.1.6　数据仓库引擎的选择 133

6.2　数据仓库的结构框架 133

6.2.1　框架的概念和重要性 133

6.2.2　通用框架结构 136

6.2.3　数据源块 137

6.2.4　数据仓库结构块 138

6.2.5　数据站场结构块 139

6.2.6　数据仓库的存取和使用模块 140

6.2.8　传输层模块 141

6.2.7　数据管理层模块 141

6.2.9　基础结构层模块 142

6.3　数据仓库系统及其开发过程 143

6.3.1　数据仓库系统 143

6.3.2　数据仓库的开发过程 144

6.4　数据仓库管理系统中的关键技术 145

6.4.1 引言 145

6.4.2　系统结构 146

6.4.3　系统主要模块及关键技术 147

6.5.1 引言 150

6.5　可视数据仓库 150

6.5.2　可视数据仓库的功能 151

6.5.3　数据仓库规模化的体系结构 151

6.5.4　可视数据仓库的管理 152

6.5.5 IBM可视数据仓库解决方案 153

6.6 SAS数据仓库的结构与功能 154

6.6.1 SAS数据仓库的体系结构 154

6.6.2 SAS数据仓库的功能 156

6.6.3 SAS数据仓库有助于数据开采 158

7.1　数据仓库的数据概念模型 160

第7章　数据仓库的数据建模和元数据 160

7.2　数据仓库的数据组织 161

7.2.1　数据仓库的数据组织方式 161

7.2.2　多维数据库的组织方式 161

7.2.3 OLAP的数据组织 163

7.3　数据源建模 163

7.4　数据仓库建模 164

7.4.1 星型模型 164

7.4.2　雪花模型 165

7.4.3　混合模型 166

7.5　元数据的概念 167

7.6　元数据在数据仓库中的重要性 168

7.6.1　元数据在数据仓库开发期间的重要性 170

7.6.2　数据源抽取 170

7.6.3　数据求精与重构工程 171

7.6.4　访问与使用 173

7.7　元数据的管理功能 173

7.7.1　数据仓库内容的描述 173

7.7.2　定义数据抽取和转换 174

7.7.3　基于商业事件的抽取调度 175

7.7.4　描述数据同步需求 176

7.7.5　衡量数据质量指标 176

7.7.6　数据仓库信息的目录 177

7.7.7　信息目录的现状 179

7.7.8　元数据的数据字典和纲目库 180

7.8　元数据的标准化和商品化 180

7.8.1　元数据的标准化 180

7.8.2　元数据的商品化 181

第8章　模型库及其管理系统 182

8.1　模型与模型库的基本概念 182

8.1.1　模型概念 182

8.1.2　模型特点 182

8.1.3　模型群和模型体系 183

8.1.4　模型库 185

8.2　模型生成技术 188

8.2.1　传统建模方法及其缺陷 188

8.2.2　模型生成技术 189

8.2.3　模型生成的一般步骤 190

8.2.4　模型的动态生成 192

8.3　模型管理技术 193

8.3.1　模型管理系统 193

8.3.2　模型管理技术的发展过程 194

8.3.3　模型管理系统的主要研究内容 195

8.4.1　用一阶谓词逻辑表示模型的一种方法 196

8.4　DSS中模型管理的人工智能方法 196

8.4.2　知识库支持模型的一个实例 201

8.5　模型管理和数据管理的结合 202

8.5.1 引言 202

8.5.2　模型管理和数据管理的结合 203

8.5.3　第四代模型管理系统的结构 204

8.6　基于人工神经网络的非线性预测模型 206

8.6.1　人工神经网络模型基本概念 206

8.6.2　基于神经网络的非线性预测方法 208

8.6.3　逆传播神经网络模型的改进 212

8.6.4　权重贡献率和关键神经结点 215

8.6.5　模型变量的选择 216

8.6.6　观测样本的采集和使用 217

第9章　知识发现方法 219

9.1　数据开采和知识发现的区别与联系 219

9.2　知识发现概念 220

9.2.1　知识发现定义 220

9.2.2 KDD的特点 221

9.2.3　知识发现的一般过程 222

9.2.4　知识发现的研究方向 222

9.3　知识发现方法 223

9.3.1　知识发现方法和算法 224

9.3.2　实用的知识发现工具和应用系统 228

9.4　基于数据库中的知识发现 231

9.4.1 引言 231

9.4.2 KDD处理过程 232

9.4.3　数据开采的目标及方法 233

9.4.4　数据库中的知识发现 234

9.4.5 KDD系统简介及其WWW地址 235

9.5　基于数据库中的自动发现广义序贯模式 236

9.5.1　引言 236

9.5.2　广义序贯模式的有关概念 238

9.5.3　广义序贯模式的发现算法 239

第10章　知识库系统 243

10.1　基本概念 243

10.1.1　数据 243

10.1.2　信息 243

10.1.3　知识 243

10.1.4　知识的分类 244

10.1.5　知识的属性 245

10.1.6　推理方法 245

10.2　知识表示方法 246

10.2.1　一阶谓词逻辑 246

10.1.7　知识库 246

10.2.2　语义网络表示 252

10.2.3　产生式规则 256

10.2.4　框架理论 258

10.3　知识库的建立 261

10.3.1　DSS知识库的特点 261

10.3.2　设计知识库系统的原则 262

10.3.3　知识库的开发步骤 262

10.4　问题处理系统 264

10.4.1 PPS在DSS中的地位 264

10.4.2　问题处理系统的分类 265

10.4.3 PPS的工作过程 266

10.4.4　问题处理系统的功能 269

10.5　问题求解系统 274

10.5.1　问题分析的基本方法 274

10.5.2　求解途径 278

10.6　推理机 281

10.6.1　基本概念 282

10.6.2 自动机 283

10.6.3　形式语言 284

11.1.1　信用担保管理制度框架和运作的比较 287

11.1　信用担保管理业务体系 287

第11章　信用担保决策支持系统 287

11.1.2 中小企业信用担保制度营运效果的比较分析及对我国的启示 290

11.1.3　资信评估与决策分析 294

11.2　信用担保业务流程分析与设计 297

11.2.1　信用担保业务流程概述 297

11.2.2　信用担保业务流程图 299

11.2.3　信用担保业务自动化与决策支持需求分析 303

11.3　信用担保业务自动化与决策支持系统设计 306

11.3.1　系统概述 306

11.3.2　系统性能综合要求 309

11.3.3　系统逻辑结构 311

11.3.4　基本设计概念和计算机处理流程 312

11.3.5　数据库设计 315

11.3.6　系统功能结构设计 319

11.3.7　补救措施与系统维护设计 320

11.3.8　系统的数据安全性 320

第12章　证券行业数据仓库系统 321

12.1　证券市场管理信息系统的现状及存在的问题 321

12.2 数据挖掘技术使证券行业数据仓库系统的开发成为可能 321

12.3　证券行业数据仓库系统的功能设计 323

12.3.1 系统目标 323

12.3.2　需求分析 324

12.3.3　系统结构和模型设计 326

12.3.4　系统装载、数据挖掘和界面设计 330

第13章　数据挖掘应用案例 336

13.1　数据挖掘在大型超市中的应用 336

13.1.1　数据挖掘前的准备 336

13.1.2　数据挖掘算法的选择 337

13.1.3　结果输出 339

13.2　数据挖掘在证券行业中的应用 341

13.2.1　数据挖掘在证券行业中的应用 341

13.2.2　数量关联规则在证券行业中的应用 341

13.2.3　单维布尔关联规则在证券行业中的应用 350

第14章　PLATINUM technology数据仓库 360

14.1 PLATINUM数据仓库解决方案 360

14.1.1 PLATINUM数据仓库设计原则 360

14.1.2 PLATINUM数据仓库结构 360

14.1.3　建立数据仓库的过程 361

14.1.4 PLATINUM数据仓库解决方案主要工具 365

14.2 PLATINUM系统管理解决方案 368

14.2.1 安全性管理解决方案——AutoSecureACX和AutoSecureSSO 368

14.2.2　网络存储管理解决方案 369

14.2.3　企业作业管理解决方案 369

14.2.4　软件分发管理解决方案 370

14.3 PLATINUM应用开发生命周期解决方案 372

14.3.1　大型应用开发的基本流程 372

14.3.2 PLATINUM应用开发解决方案 373

14.3.3　分析设计工具 374

14.3.4　数据库服务器编程工具集 375

14.3.5　针对复杂业务的开发工具 376

14.3.6　应用系统测试工具集 377

14.3.7　应用开发管理工具 378

14.4 PLATINUM tcchnology ProVision集成化系统及数据库管理 379

14.4.3 ProVision产品优势 380

14.4.2 ProVision产品结构 380

14.4.1 ProVision产品特色 380

第15章　Business Objects决策支持系统工具 382

15.1 Business Objects概述 383

15.2 Business Objects的特点和应用对象 383

15.3 Business Objects的主要功能 384

15.4 Business Objects的优点 385

15.5 Business Objects能帮助企业实现科学决策 386

15.6 Business Objects在银行系统的应用 389

15.7 Business Objects 4.0——数据库前端决策支持工具 390

参考文献 394