Содержание к диссертации
Введение
1. Методы прогнозирования временных рядов 11
1.1. Статистический анализ временных рядов 11
1.2. Классификация методов прогнозирования временных рядов 16
1.3. Статистические методы прогнозирования временных рядов 18
1.3.1. Адаптивные модели 18
1.3.2. Регрессионный анализ 20
1.3.3. Кривые роста 21
1.3.4. Частотный анализ 21
1.4. Нестатистические методы прогнозирования временных рядов 23
1.4.1. Графические методы прогнозирования временных рядов 23
1.4.2. Аналитические нестатистические методы прогнозирования временных рядов 27
1.5. Сравнительный анализ методов прогнозирования временных рядов 28
2. Прогнозирование временных рядов на основе нейрокомпьютерных технологий 30
2.1. Общие положения теории нейронных сетей 30
2.2. Особенности использования искусственных нейронных сетей для прогнозирования временных рядов 34
2.2.1. Модель 34
2.2.2. Функционал ошибки прогнозирующих нейронных сетей 39
2.3. Нейросетевое прогнозирование временного ряда в режиме скользящего окна 41
2.4. Повышение эффективности прогнозирующей нейросетевой модели с помощью адаптивного распределения плотности вероятности выбора обучающего факта 47
2.5. Нейросетевое прогнозирование временных рядов на основе многофакторной модели 54
2.5.1. Общие положения 54
2.5.2. Особенности выбора вектора входов нейронной сети для построения оптимальной прогнозирующей модели 54
3. Методы повышения эффективности неиросетевого прогнозирования временных рядов 58
3.1. Общие замечания 58
3.2. Применение генетических алгоритмов для оптимизации прогнозирующих нейронных сетей 59
3.2.1. Базовые понятия генетического алгоритма 60
3.2.2. Функционирование генетического алгоритма 67
3.3. Использование комитетов нейронных сетей 70
3.4. Использование параллельных и кластерных архитектур 71
3.5. Использование комбинаций различных нейросетевых парадигм 75
4. Автоматизированная система прогнозирования на основе нейрокомпьютерных технологий 81
4.1. Общая характеристика и структурная схема системы 81
4.1.1. Общая характеристика системы 81
4.1.2. Структурная схема системы 84
4.1.3. Подсистемы программного обеспечения комплекса 88
4.2. Программное обеспечение серверной части системы 89
4.2.1. Структурная схема сервера 89
4.2.2. Сетевой интерфейс системы 94
4.2.3. Обеспечение безопасности работы системы в сети 97
- Классификация методов прогнозирования временных рядов
- Функционал ошибки прогнозирующих нейронных сетей
- Базовые понятия генетического алгоритма
- Структурная схема системы
Введение к работе
Актуальность темы. Прогнозирование играет важную роль в различных областях народного хозяйства. Поскольку условия технологических процессов и экономические условия ведения бизнеса изменяются во времени, необходимо постоянно отслеживать и предсказывать эти изменения для успешной реализации технических решений или совершения деловых операций.
К настоящему времени разработаны многие методы прогнозирования, конечной задачей которых является предсказание будущих событий с той или иной степенью надежности с целью использования этого прогноза при принятии решений.
Формально имеется два подхода к прогнозированию - качественное и количественное. Методы качественного прогнозирования, такие как метод экспертного оценивания, особенно важны, когда статистические данные за прошедшие периоды времени недоступны и/или ненадежны. Все качественные методы крайне субъективны и подвержены высокой ошибке прогноза.
Количественные методы прогнозирования основаны на существенном использовании информации за прошедшие периоды времени. При исследовании тенденции процесса за прошедшее время удается выяснить основные взаимосвязи между величинами и дать более надежный прогноз на будущее.
Методы прогнозирования, основанные на анализе временных рядов, относятся к классу количественных методов прогнозирования. Прогнозирование временных рядов предусматривает определение прогнозного значения переменной преимущественно на основе прошлых и текущих значений этой же переменной. Если определяются значимые факторы и функциональная или стохастическая зависимость отклика от этих факторов с применением множественного регрессионного анализа, то, как правило, говорят об анализе многомерных временных рядов.
Сегодня, в связи с широким распространением программных средств принятия решений, особенную важность представляет разработка методов
автоматизированного прогнозирования для использования результатов прогноза в автоматизированных системах принятия решений.
Автоматизированное прогнозирование с использованием вычислительной техники предполагает функционирование прогнозирующих моделей и алгоритмов с минимальным участием человека, автоматический выбор модели и параметров модели для прогнозирования конкретных показателей, численно выражаемых с помощью временного ряда.
В то же время, классические методы прогнозирования временных рядов, в том числе методы, основанные на аппарате математической статистики, обладают рядом недостатков, затрудняющих их использование для построения автоматизированных прогнозирующих моделей.
Одним из современных методов, используемых для прогнозирования, являются искусственные нейронные сети.
Теория искусственных нейронных сетей была создана и развита такими учеными, как Ф.Розенблатт, М.Минский, С.Гроссберг, Т.Кохонен. Сегодня вопросам теории и практического использования искусственных нейронных сетей посвящены работы таких ученых России, как А.И.Галушкин, А.Н.Горбань, В.В.Золотарев, С.Г.Короткий, А.А.Ежов, В.М.Неделько.
Применение нейронных сетей для прогнозирования включает в себя распознающие модели и модели прогнозирования временных рядов. Одним из главных преимуществ нейронных сетей является их способность к обучению и самообучению, т.е. адаптации модели к решению конкретной задачи. Вышесказанное делает искусственные нейронные сети одним из перспективных направлений в разработке методов автоматизированного прогнозирования.
Цель диссертационной работы состоит в разработке эффективных методов прогнозирования временных рядов на основе искусственных нейронных сетей, позволяющих максимально возможно устранить недостатки существующих методов, обеспечивая при этом высокую достоверность про-
7 гноза; создании автоматизированной информационной системы, позволяющей решать задачу прогнозирования временных рядов.
Для достижения цели необходимо решить следующие задачи:
Провести анализ существующих методов прогнозирования временных рядов и выявить перспективные направления в области их развития.
Исследовать применение искусственных нейронных сетей для автоматизированного прогнозирования временных рядов.
Разработать методики повышения эффективности прогнозирующих нейросетевых моделей.
Разработать программные средства для автоматизированного прогнозирования временных рядов на основе разработанных методик.
Разработать архитектуру автоматизированной информационной системы прогнозирования на основе разработанных методик.
Методы исследования. Разработки и исследования проводились на основе теории вероятностей, математической статистики, системного анализа, математического и имитационного моделирования, теории искусственных нейронных сетей, технологий модульного и объектно-ориентированного программирования.
Научная новизна. В рамках диссертационной работы были получены следующие результаты:
Показано, что применение искусственных нейронных сетей позволяет повысить эффективность прогнозирования временных рядов, лишено ряда недостатков классических статистических методов анализа и прогнозирования временных рядов и может служить основой для автоматизированного прогнозирования (с минимальным участием человека).
Предложены и исследованы способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта.
Разработан генетический алгоритм комплексной оптимизации прогнозирующих нейросетей, позволяющий уменьшить время обучения.
Предложена методика распараллеливания генетического алгоритма оптимизации нейросетей на кластерных архитектурах.
Разработан метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетевых архитектур.
Разработана архитектура автоматизированной информационной системы прогнозирования временных рядов на основе нейросетевых технологий.
Разработан пакет прикладных программ (ППП) для автоматизированного прогнозирования временных рядов.
Практическая ценность работы. Разработаны способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта. Разработан генетический алгоритм комплексной оптимизации прогнозирующих нейронных сетей, применение которого может уменьшить время обучения в 2-5 раз для многофакторных прогнозирующих моделей. Предложена методика распараллеливания генетического алгоритма, позволяющая реализовывать его на параллельных и кластерных архитектурах. Разработана прогнозирующая модель на основе сопряжения архитектур «карта Кохонена» - «сеть обратного распространения», позволяющая уменьшить размерность входов и время обучения нейросети. Разработан пакет прикладных программ для автоматизированного прогнозирования временных рядов, реализующий предложенные в диссертационной работе методики. Разработана архитектура автоматизированной информационной системы прогнозирования временных рядов на основе нейросетевых технологий. Преимуществами предложенной архитектуры являются коллективный доступ пользователей на основе технологиии «клиент/сервер» и оперативное обновление статистики исходных данных из информационных ресурсов сети Internet.
9 Достоверность полученных в диссертационной работе результатов подтверждается:
использованием положений теории вероятностей и математической статистики;
использованием понятий и выводов теории нейронных сетей;
разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;
наличием актов внедрения и использования результатов диссертационной работы.
На защиту выносятся:
Способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта.
Генетический алгоритм комплексной оптимизации прогнозирующих нейронных сетей.
Метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетевых архитектур.
Архитектура автоматизированной информационной системы прогнозирования.
Внедрение результатов. Результаты работы использованы в ООО «Кар-центо» для решения задач прогнозирования финансово-экономических показателей и принятия на их основе обоснованных производственных решений по ценам на рынке цветных металлов и в Рязанском областном клиническом онкологическом диспансере для прогнозирования отдаленных результатов лечения больных раком молочной железы на основе использования ряда биологических и химических параметров клеток.
Результаты работы внедрены в Центре новых информационных технологий Рязанской государственной радиотехнической академии для прогнозирования трафика и нагрузки на серверы в сетях информационно-вычислительного центра, что позволило проводить прогнозирование пико-
10 вых нагрузок и повысить эффективность использования компьютерных сетей.
Апробация работы. Основные положения диссертации докладывались на следующих конференциях:
9-я научно-методическая конференция РГРТА, 1-5 февраля 1999 г., г.Рязань.
10-я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», 14-16 ноября 2001 г., г.Рязань.
11 -я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», 26-27 ноября 2002 г., г.Рязань.
Публикации. По теме диссертации опубликовано 11 печатных работ, из них 3 в соавторстве. В их числе 4 статьи в межвузовских сборниках, 2 депонированные статьи, 2 доклада на международных конференциях, 2 учебных пособия, свидетельство об официальной регистрации программы в РОСПАТЕНТ.
Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав и заключения. Содержит 140 страниц, 9 таблиц, 39 рисунков. Список литературы состоит из 74 наименований.
Классификация методов прогнозирования временных рядов
Адаптивные модели и методы статистического прогнозирования имеют механизм автоматической настройки на изменение исследуемого показателя, что позволяет учитывать информационную неравнозначность данных. Это наиболее важно при краткосрочном прогнозировании, где более важна динамика развития исследуемого показателя на конце периода наблюдений, а не общая тенденция его развития.
Первоначальная оценка параметров модели производится по нескольким первым наблюдениям. На ее основе делается прогноз, который сравнивается с фактическими наблюдениями. Далее модель корректируется в соответствии с величиной ошибки прогноза и вновь используется для прогнозирования следующего уровня, до исчерпания всех наблюдений.
Таким образом, модель постоянно «впитывает» новую информацию, приспосабливается к ней, и к концу периода наблюдения отражает тенденцию, сложившуюся на текущий момент. В основе адаптивных моделей лежит модель рекурсивного гармонического процесса, предложенная Дж. Юлом [28]. Адаптивные модели можно разделить на две подгруппы: схема скользящего среднего и схема авторегрессии. Иногда этот класс моделей называют моделями авторегрессии - скользящего среднего (АРСС). Согласно схеме скользящего среднего, оценкой текущего уровня является взвешенное среднее всех предшествующих уровней, причем веса при наблюдениях убывают по мере удаления от последнего уровня, т.е. информационная ценность наблюдений тем больше, чем ближе они к концу периода наблюдений- К схеме скользящего среднего относятся модель Брауна, модель Хольта. Согласно схеме авторегрессии, оценкой текущего уровня является взвешенная сумма р предшествующих уровней (их количество называется порядком модели). Информационная ценность наблюдений определяется не близостью к моделируемому уровню, а теснотой связи между ними. Начальные значения параметров модели определяются аналогично модели Брауна. Значения коэффициентов а і и а,2 лежат в пределах от 0 до 1. Модель Хольта-Уинтерса является модификацией модели Хольта для сезонных процессов и существует в двух формах: мультипликативной и аддитивной. Модель авторегрессии. В модели авторегрессии порядка р текущий уровень ряда представляется в виде взвешенной суммы р предыдущих наблюдений:Значительную часть статистических методов, используемых при анализе временных рядов, представляют методы регрессионного анализа (классической теории наименьших квадратов) или их видоизменения и аналоги. Уравнение множественной линейной регрессии имеет вид: В каждом виде регрессионного анализа необходимо выбрать зависимую переменную Y (для которой строится уравнение регрессии) и одну или несколько независимых переменных Xj. Уравнение (1.21) позволяет установить статистическую взаимосвязь изучаемых показателей и, в случае ее устойчивости, дать аналитические и прогнозные оценки. На базовом периоде времени строится уравнение регрессии зависимой переменной. Далее производится расчет прогнозных значений зависимой переменной по рассчитанному уравнению регрессии. При построении многофакторной регрессии необходимо пользоваться аппаратом корреляционного анализа [23, 24] для предварительного выявления и установления форм зависимости значений ВР от фактор-переменных. Для аналитического выравнивания временных рядов используются функции с одним параметром t (порядковым номером наблюдения). Модели этого класса получили название «кривые роста». Метод наименьших квадратов является основным методом численной оценки параметров кривых роста, аналогично случаю парной регрессии. Следует отметить, что аппроксимация наблюдений сложными функциями дает хорошее приближение к фактическим наблюдениям, но снижает устойчивость модели на периоде прогнозирования. 1.3.4. Частотный анализ Во временных рядах вместе с долговременными изменениями могут появляться более или менее регулярные колебания. Эти изменения наблюдаемых значений могут быть строго периодическими или близкими к таковым и оцениваться в частотном аспекте.
Функционал ошибки прогнозирующих нейронных сетей
Наиболее важным преимуществом использования искусственных нейронных сетей для прогнозирования временных рядов является их адаптируемость во времени без существенного пересмотра прогнозирующей модели. Это их свойство чрезвычайно важно и играет ключевую роль в использовании нейронных сетей для автоматизированного прогнозирования.
Наибольший интерес представляет решение задачи прогнозирования временного ряда, динамично меняющегося во времени, где требуется постоянное переобучение (дообучение) нейронной сети. Примерами областей, где необходимо подобное прогнозирование, являются задачи управления многими техническими процессами: прогнозирование состояния дискретного канала связи, прогнозирование загрузки модемного пула интернет-провайдера и др.[38, 14—16], прогнозирование биржевых котировок ценных бумаг в реальном времени [21], некоторые задачи военно-прикладного характера.
Для реализации прогнозирования в реальном времени используется модель скользящего окна, которая состоит в следующем (на примере одномерного временного ряда) [7]. Для прогнозирования в момент времени tj используются значения ряда в моменты tj-i, ... t,.s, (s - размер окна), которые рассматриваются как набор из (s-d+1) фактов для обучения нейронной сети (d - размерность входов сети). После обучения сети и получения прогнозного значения скользящее окно смещается на один шаг и нейронная сеть дообучается с учетом вновь полученных данных.
Эффективность описанной модели подтверждается результатами проведенного имитационного моделирования [7].
С помощью программных средств, разработанных автором [46], прогнозировался временной ряд чисел солнечной активности (чисел Вольфа). Использовалась нейронная сеть прямого распространения с алгоритмом обучения по методу обратного распространения ошибки с одним нейроном в выходном слое и дополнительным «скрытым» слоем нейронов с сигмоидаль-ной активационной функцией.
Для оценки качества прогноза и его сравнительного анализа проводился прогноз того же ряда на том же временном интервале с помощью одной из самых распространенных моделей авторегрессии - модели скользящего среднего. Глубина скользящего среднего была выбрана равной 3 шагам.
Модель авторегрессии была выбрана как наиболее простая и характерная для ряда чисел Вольфа. Ввиду его периодичности линейная и полиномиальная регрессия не являются адекватными моделями этого ряда, а простая тригонометрическая регрессия не обладает достаточной точностью.
В то же время, модели авторегрессии достаточно просты, и при использовании широко распространенных программных средств [ 12] их применение сравнимо по простоте с использованием обученной нейронной сети, реализованной в специализированном пакете прикладных программ [39].
Сравнение прогнозов, полученных с помощью нейронной сети и модели авторегрессии, показано на рис. 2.9. Кроме меньшей среднеквадратиче-ской ошибки и более высокого процента угаданных знаков (таблица 2.1) из рис. 2.9 видно меньшее запаздывание прогноза нейронной сети относительно исходных данных по сравнению с классическим методом.
Изменение точности угаданных знаков от времени (номера прогнозируемого отсчета) при перемещении скользящего окна обучающей выборки имеет приблизительный характер, изображенный на рис. 2.8 (эмпирическая зависимость). Вначале идет резкий рост точности прогнозирования в связи с обучением и дообучением нейронной сети, а затем некоторый ее спад и асимптотическое приближение к некоторому стабильному значению. Для наиболее «трудных» временных рядов точность стабилизируется на уровне чуть более 50% угаданных знаков, что соответствует случайному совпадению.
Такое поведение нейросети можно объяснить тем, что со временем ее дополнительное обучение и адаптация модели перестает приносить желаемый эффект и можно говорить о чрезмерном обучении или «переобучении» нейронной сети. Борьба с этим эффектом сводится к периодической рандомизации некоторых или всех весов нейронной сети, как только дополнительное обучение начинает приводить к снижению точности прогнозирования.
Базовые понятия генетического алгоритма
Прогнозирующие модели, основанные на искусственных нейронных сетях, несмотря на их эффективность, обладают рядом существенных недостатков, наиболее важным из которых является трудность выбора пространства входов нейронной сети для многофакторной модели.
Среди других недостатков следует выделить время обучения нейронной сети, возрастающее геометрически с ростом сложности модели. Вообще говоря, адаптация ИНС для конкретного применения включает в себя следующие основные подзадачи: 1) выбор входного пространства признаков ИНС; 2) выбор структуры ИНС; 3) обучение ИНС (настройка весов). Последняя из этих задач в простейшем случае решается с помощью какого-либо из классических алгоритмов обучения (например, процедуры обратного распространения ошибки) путем предъявления сети обучающей выборки [69]. Выбор оптимального пространства входов и структуры ИНС, обычно предшествующие обучению нейросети, являются достаточно сложными задачами, не имеющими однозначного решения. Тем не менее, в настоящее время большинство нейросетевых пакетов включают аналитический блок, позволяющий частично автоматизировать их решение [39]. В частности, при выборе входного пространства признаков (вектора входов ИНС) требуется максимальное уменьшение его размерности без потери информативности. Эта задача решается в различных пакетах с помощью таких методов, как вейвлетное представление, метод box-counting и др. [56]
Генетические, или эволюционные, алгоритмы были впервые предложены в работе американского ученого Дж.Холланда в 1976 г. В их теоретической основе лежит модель эволюции живой природы [62].
Генетический алгоритм (ГА), в отличие от многих других задач многофакторной оптимизации, оперирует не с отдельным решением задачи, а набором решений, называемым популяцией. В процессе функционирования ГА популяция переживает некоторое количество поколений (итераций ГА), и, подобно биологическому прототипу (живой природе), средняя приспособленность популяции, мерой которой служит точность или качество решения, возрастает в каждом последующем поколении [62].
Существует множество различных реализаций генетических алгоритмов. Фактически, термин ГА определяет целый класс методов, значительно различающихся между собой. Тем не менее, для функционирования любого ГА должны быть определены функция приспособленности особи и всей популяции в целом и, как минимум, две операции: кроссинговер и мутация, обеспечивающие вариабельность популяции.
Сегодня генетические алгоритмы находят широкое применение для решения многих задач оптимизации. В том числе, они используются для решения некоторых из указанных выше подзадач: обучения нейронных сетей и выбора пространства входов.
Для уменьшения количества входов может использоваться представление набора входных параметров в виде битовой карты и их отсеивание с помощью генетического алгоритма. Подобный подход используется, например, в пакете Statistica Neural Networks [39].
В работе [5] предлагается генетический алгоритм (далее - «алгоритм»), комбинирующий решение трех указанных выше подзадач, необходимое для Удачного применения нейронной сети. В качестве структуры ИНС, обрабатываемых с помощью алгоритма, выбрана многослойная сеть без обратных связей, как одна из самых распространенных и универсальных архитектур, в том числе наиболее успешно используемая как базовая архитектура прогнозирующих нейронных сетей.
Предлагаемый алгоритм решает задачу оптимизации, где управляемыми параметрами являются пространство входов ИНС, структура (количество слоев и нейронов в слоях) ИНС и веса нейронов, а целью - минимизация суммарной функции ошибки популяции сетей.
В отличие от традиционных генетических алгоритмов обучения нейронных сетей, где управляемыми параметрами являются только веса нейронов, или алгоритмов выбора входов сети, которые напротив, не осуществляют непосредственно обучение сети, предлагаемый алгоритм оптимизации управляет всей совокупностью параметров ИНС (входы, структура, веса нейронов). Преимуществом такого подхода является комплексное, а не поэтапное решение всех задач, необходимых для конкретной адаптации ИНС, что во-первых позволяет учесть их взаимное влияние, а во-вторых предоставляет большее удобство применения. Для функционирования генетического алгоритма необходимо определить способ представления управляемых параметров в хромосомах и, как минимум, две операции: кроссинговер и мутация.
Кодирование признаков особи в генотипе. При использовании генетических алгоритмов для обучения нейронных сетей с варьирующейся структурой одной из проблем является эффективное представление структуры ИНС в генотипе.
Структурная схема системы
Первый способ применяется для получения общедоступных данных, не представляющих специального интереса, и не требует авторизации. Этот способ использует широко известный механизм CGI (Common Gateway Interface). CGI-шлюз посылает запрос 5 в экспертную подсистему, получает данные 6 и обрабатывает их для представления в виде html-страницы 7, которую затем пользователь может получить по протоколу http, и просмотреть в любом браузере, таком как MS Internet Explorer или Opera.
Указанный выше способ не всегда пригоден для доступа к данным, представляющим специальный, в том числе, коммерческий, интерес, по следующим причинам: 1) требуется авторизация пользователей, имеющих доступ к специализированным данным; 2) необходимо надежное шифрование информации, не предназначенной для общедоступного использования, при передаче ее по сети; 3) при использовании CGI пользователю для получения более оперативных данных (а в некоторых процессах данные могут терять актуальность каждые 2-3 секунды) требовалось бы периодически вручную обновлять html-страницу в браузере (как вариант возможно использование специальных средств, таких как JavaScript); 4) пользователь должен иметь возможность самостоятельно изменять внешний вид данных (например, строить графики и диаграммы на основе полученной информации). Более надежным и удобным способом доступа пользователя к экспертной системе является специализированное программное обеспечение, работающее на основе протокола TCP/IP. На рис. 4.2 серверная часть этого программного обеспечения обозначена как сервер авторизованного доступа (IV). Клиенты d, Cj, ..., Сь посылают запрос 8 серверу (IV), который производит авторизацию пользователей, для чего обращается (9) к БД пользователей (V) и получает ответ 10. Если авторизация прошла успешно, посылается запрос 11 экспертной системе, кото 87 рая обрабатывает имеющиеся в БД (II) данные и выдает результат 12. Окончательный результат 13 передается клиенту по протоколу TCP/IP. Окончательная обработка данных для представления их пользователю происходит с помощью специализированного клиентского программного обеспечения VI. Здесь данные группируются, преобразуются в графическую форму и получают удобный для восприятия вид. На рис. 4.2 не показана подсистема кодирования данных, которая тем не менее является крайне важным элементом комплекса. Данная часть реализована в виде динамически загружаемой библиотеки, т.к. ее функции требуются почти всем подсистемам. Данные шифруются как для хранения в базах данных, так и, безусловно, для передачи по сети Internet (в случае авторизованного доступа). Серверная сторона системы работает под управлением операционной системы класса Unix. Аппаратная платформа серверной части не имеет принципиального значения при первоначальном проектировании системы. Хотя первоначально данный комплекс ориентирован на архитектуры, основанные на Intel-совместимых процессорах, не составляет особого труда перекомпилировать код серверной части для любых других платформ, т.к. ОС Unix по своей сути в значительной степени является аппаратно-независимой. С другой стороны, выбор аппаратной архитектуры для размещения серверного ПО становится более чем критичным при реализации и эксплуатировании системы. Здесь огромное значение имеет как быстродействие, так и надежность этой архитектуры. Кроме того, специфика некоторых предметных областей, где может использоваться предлагаемая система, может быть такова, что постоянно необходимо учитывать оперативные данные, меняющиеся несколько раз в секунду. Поэтому при возрастающем количестве пользователей системы и значительном объеме обрабатываемых данных имеет смысл ориентироваться на многопроцессорные системы. Реализация экспертной подсистемы для мно 88 гопроцессорной архитектуры и эффективное распараллеливание вычислений составляют отдельную задачу, выходящую за рамки данной работы. Клиентская часть в основном ориентирована на архитектуру Intel и ОС Windows 9x/NT/ME. Безусловно, имеет смысл также разработать вариант клиентского ПО для ОС Linux, в связи с ее все большим распространением среди пользователей PC. Доля других ОС в ближайшее время вряд ли превысит несколько процентов, поэтому нет необходимости создавать вариант клиентского ПО для них.
