Primena fazi logike u analizi funkcionalnih zavisnosti u relacionim bazama podataka

Abstract

Predmet istraživanja u disertaciji su fazi funkcionalne zavisnosti u relacionim bazama podataka, a cilj istraživanja je proučavanja dosadašnjih rezultata u ovom polju, te razvoj sopstvenog algoritma za identifikovanje zavisnosti između atributa relacije koji je zasnovan na primeni fazi implikacija iz fazi logike. Problem analize fazi funkcionalnih zavisnoti nije nov. U ovoj oblasti postoji značajan broj radova u poslednje dve decenije i veliki broj autora se bavio ovom problematikom. Međutim, analizom dostupne literature utvrđeno je da ne postoji algoritam koji bi omogućio identifikovanje zavisnosti između atributa relacione šeme. Ovo ograničenje bilo je motiv za razvoj sopstvenog pristupa u analizu funkcionalnih zavisnosti nad datim skupom atributa. Rešavanje ovog, ne tako novog problema, ne predstavlja samo teorijski značaj i istraživački izazov, već ima i praktični značaj. U tom smislu, cilj istraživanja je implementacija logičkog modela baze podataka koju daje prethodna teorija i koja podržava očekivane rezultate istraživanja, ali i veza sa drugim oblastima i poljima (geografski informacioni sistemi, rudarenje podataka, ekstrakcija informacija, smanjenje redundancije, estimacija nepoznatih vrednosti atributa...). Polazna pretpostavka je bila da teorija fazi skupova i određeni fragment fazi logike predstavljaju pogodno rešenje kada projektanti informacionih sistema ne mogu jednoznačno da odrede zavisnost između podataka i atributa relacije. U oblasti veštačke inteligencije, fazi skupovi i fazi logika izučavaju se sa aspekta dizajniranja fazi ralacionih baza podataka, u okviru inteligentnih sistema, jer teorija fazi skupova i fazi logika predstavljaju moćan alat za manilupisanje nepreciznim i neodređenim informacijama. Otkrivanje potencijalnih zavisnosti između atributa posmatrane fazi relacije ustvari predstavlja pronalaženje skrivenih i korisnih znanja koja možemo da koristimo za donošenje poslovnih i upravljačkih odluka. U radu je predstavljena nova tehnika koja identifikuje postojanje zavisnosti između atributa na nivou podrelacije (parova n-torki) primenom različitih fazi implikacija, čija karakterizacija je opisana u ovoj disertaciji u kontkestu primene u ovoj problematici. Fazi implikacije koje zadovoljavaju ustanovljene kriterijume prihvatanja koristimo za procenu jačine zavisnosti θ u slučaju postojanja fazi funkcionalne zavisnosti X   Y. Za potrebe demonstracije predložene metodologije i verifikaciju rezultata istraživanja izvršen je eksperiment nad realnim podacima u fazi modelu baze podataka na bazi relacije bliskosti i fazi modelu na bazi mogućnosti distribucije. Da bismo identifikovali fazi funkcionalne zavisnosti u odgovarajućem fazi modelu potrebno je: 1. Pripremiti podatke za analizu, 2. Pronaći podrelacije (parove n-torki) na posmatranim atributima u kojima se potencijalno kriju fazi funkcionalne zavisnosti, 3. Pridružiti fazi funkcionalnim zavisnostima odgovarajuće fazi implikacije, 4. Interpretirati rezultate istraživanja da bismo dobili konačan skup fazi zavisnosti...

The research presented in this dissertation is finding of fuzzy functional dependencies in the fuzzy relational database models. The goal is reviewing and analyzing of recent results in this field and developing our own algorithm for identification of dependencies between attributes in the fuzzy relations based on fuzzy implication in fuzzy logic. The problem of fuzzy functional dependency analzsing in fuzzy relational database models is not recent. In this area there is a significant number of papers and authors dealt with mentioned issue in the last two decades. However, literature analysis showed that there is no algorithm that would enable the identification of attribute relationships in relational schemas. This restriction was the motive for the development of our metodology in the analysis of fuzzy functional dependencies over a given set of attributes. Solving this, not so new problem, is not only research challenge having theoretical importance, but it also has practical significance. Implementation of logical database models provided by the previous theory and integration to other areas and fields (GIS, Rudarenje podataka, Information Retrieval, reducing data redundansy,estimation of NULL values...) are crucial aims in this paper. The initial assumption was that the theory of fuzzy sets and particular fragment of fuzzy logic are the perfect solution when database managers can’t unambiguously determine the relationships between data and attributes within the relation. In the field of artificial intelligence, fuzzy sets and fuzzy logic are studied in terms of fuzzy relational database design within the intelligent systems because fuzzy set theory and fuzzy logic are powerful tools for manipulating and representing imprecise and uncertain information. Finding potential dependencies between attributes in fuzzy relations is actually rudarenje podataka technique related to hidden and useful knowledge used for decision making. This dissertation presents a new technique for identification of existing dependencies between pairs of tuples using different fuzzy implications which characterization is described by author. Fuzzy implications meeting established acceptance criteria are used for estimation of linguistic strength θ when fuzzy functional dependency X   Y is satisfied. For demonstration of proposed methodology and research verification we performed experiment on real data under two different models: fuzzy database model based on proximity relation and fuzzy database model with possibility distribution. Discovering potential dependencies between attributes of the observed fuzzy relation actually represents a discovery of hidden and useful knowledge, i.e. a rudarenje podataka technique. In order to identify fuzzy functional dependency within the corresponding fuzzy model, following is necessary: 1. Preparing the data for the analysis (preprocessing, data summarization, data warehousing etc.). 2. Finding subrelations (n-tuples) on the observed attributes with potentially hidden fuzzy functional dependencies. 3. Associating fuzzy functional dependencies with corresponding fuzzy implications. 6 4. Interpreting search results for the purpose of getting the final set of fuzzy dependencies...