ОТБОР ИСХОДНЫХ ДАННЫХ ДЛЯ ФОРМИРОВАНИЯ МАССИВОВ БАЗЫ ДАННЫХ НА ПРИМЕРЕ МНОГОКОМПОНЕНТНОЙ СИСТЕМЫ NACL–KCL–MCL2•H2O

Использование данных из различных источников при формировании БД наталкивается на естественные трудности, характеризующихся частичной противоречивостью и несопоставимостью результатов, полученных разными исследователями в разное время. В работе предложен способ поиска данных типа unusual data (данные вызывающие сомнения) при формировании баз данных из нескольких источников. В качестве критерия для поиска таких данных предложено использовать метод распознавания образов – решающее правило. При использовании двух и более решающих правил, рассматривающие различные аспекты данных, образуются пересечения, в которых присутствуют объекты, которые невозможно правильно классифицировать при помощи таких решающих правил. В качестве примера поиска данных типа unusual data показано применение этого метода при анализе данных по гетерогенному равновесию в системе NaCl–KCl–MgCl·H2O, опубликованных в 12 различных источниках за разные периоды времени. В частности, предложены три критерия отбора для семи разных составов твердой фазы, трех составов, различающихся количеством компонентов в нем – т. е. одно, двух и трех компонентов, а также для составов, в которых входят и не входят кристаллогидраты. В результате получены наборы решающих правил, которые с вероятностью 92–98% правильно классифицируют отобранные объекты. Часть неправильно классифицированных объектов характерны для всех трех критериев отбора. Эти объекты предложено отмечать в БД, как данные вызывающие сомнения. Получено решающее правило, позволяющее с вероятностью 98% прогнозировать наличие или отсутствие кристаллогидрата в твердой фазе в зависимости от состава насыщенного раствора NaCl, KCl, MCl2·H2O.

1. Россиев, А. А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах / А. А. Россиев // Методы нейроинформатики : сборник научных трудов / Красноярский гос. тех. унив. ; под ред. А. Н. Горбаня. – Красноярск, 1998. – С. 6–22.

2. Зильберглейт, М. А. Восстановление пропущенных данных при изучении свойств совмещенных эластомеров и пластиков / М. А. Зильберглейт, Р. М. Долинская // Материалы. Технологии. Инструменты. – 2011. –Т. 16. – № 1. – С. 111–114.

3. Загоруйко, Н. Г. Алгоритмы обнаружения эмпирических закономерностей / Н. Г. Загоруйко, В. Н. Ёлкина. – Новосибирск : Наука, 1985. – 110 с.

4. Горелик, А. Л. Методы распознавания / А. Л. Горелик, В. А. Скрипкин. – М. : Высшая школа, 1984. – 262 с.

5. Вапник, В. Н. Теория распознавания образов / В. Н. Вапник, А. Я. Червоненкис. – М. : Наука, 1974. – 416 с.

6. Фомин, Я. А. Распознавание образов: теория и применения / Я. А. Фомин. – М. : ФАЗИС, 2012. – 429 с.

7. Фомин, Я. А. Статистическая теория распознавания образов / Я. А. Фомин, Г. Р. Тарловски. – М. : Радио и связь, 1986. – 624 с.

8. Здановский, А. Б. Справочник экспериментальных данных по растворимости многокомпонентных водно-солевых систем / А. Б. Здановский, Е. Е. Ляховская, Р. Э. Шлеймович. – М. : Государственное научно-техническое издательство химической литературы, 1954. – 1270 с.