| 研究概要 |
本年度の主たる目標は,データベース概念学習の手法を稠密連続領域に拡張し、時制的なデータベースの振舞いに関する知識獲得法とそれに基づくモデル化法を開発することにある.また,振舞いに関する知識操作を達成するための言語系を設計するため、メタレベル化や抽象化・集約技法の基本機能を明らかにする.
時制データベースに関する知識獲得技法として、本研究では時系列データ集合から時制クラスを発見する方法を提案した.時系列データの離散化と考えて潜在的な意味をスキーマとして獲得する手法として"時制頻出クラス"概念を導入し,時区間の分割と関連した時制クラスが常にただ一つ存在することを示した.獲得した知識の有効性を検証するために、木構造形式の知識分類モデルである決定木を例にとって所属クラス分布に関するχ二乗検定を用いた評価法を提案し,影響力の大きな構造の検出方法を示した.クラス分布を用いることで予測の評価方法を得ることも示した.また,ニューラルネットを用いた分類手法の一つとして自己組織化マップを拡張し、近傍学習機構を導入してk次伝播SOMを定義し、クラスタリングの説明機能を強化できることを実験により検証した.
知識獲得のための操作として,OLAPにおける操作ROLL-UP, STAGE-UP, DRILL-DOWNは意思決定支援を行うための有効な手法である.本研究ではメタオブジェクトに対するGROUPおよびAPPLY命令を定義し,これらがOLAP操作を定義でき、逆操作も定義できることを示した.
本研究の応用として、要求分析でのパターン獲得を示した.ソフトウェア開発における要求分析時に、基本知識であるシナリオを獲得するためのパターンを抽出し、再利用性を向上させる方法を示した.シナリオをXMLで記述しタグ変数によりシナリオ構造や意味の類似性が検索できることを示した.振舞いデータの性能解析を行うため,施錠機能を加えた時間付きカラーペトリネットCPN+を用いDBMS性能モデルとして有用であることを示した.またCPN+が汎用離散型事象シミュレータで近似できることを示した.
|
