КЛАСТЕРНИЙ АНАЛІЗ ДАНИХ В АВТОМАТИЗОВАНИХ СИСТЕМАХ ПРОСТЕЖУВАНОСТІ

Важливою особливістю технологічних процесів харчових виробництв є істотний вплив характеристик сировини, що переробляється, на показники якості готової продукції. Тому при виділенні об'єкта управління пропонується розглядати разом: певний етап технологічного процесу, що реалізується одним агрегатом або якоюсь їх групою, та ті бізнес-процеси, які впливають на особливості його протікання і на одержуваний кінцевий результат. Для управління такими складними об'єктами використовуються різні автоматизовані системи, які накопичують у своїх базах даних великі обсяги інформації. Розробка і реалізація нових алгоритмів на основі методів інтелектуального аналізу даних, які з урахуванням цілей управління і даних про об'єкт управління могли б забезпечувати вибір найбільш ефективного варіанту управлінського рішення, є дуже актуальним завданням. Прийняті управлінські рішення, як результати використання розробленого алгоритму, повинні в подальшому забезпечувати еволюцію технологій управління розглянутими об'єктами. Широке вивчення предметної області підтвердило доцільність вибору методу кластерного аналізу як основи для розроблюваного алгоритму. Це сприяло створенню авторської класифікації різних методів і алгоритмів кластеризації. Результат їх порівняльного аналізу привів до постановки завдання реалізації процедури вдосконаленою кластеризації даних на основі методу k-means, яка б забезпечувала визначення положень початкових центрів кластерів і автоматичний розрахунок їх кількості. Розроблений новий програмний модуль кластерного аналізу «Zhy & Bor» був апробований на різних тестових прикладах набору даних і при наявності "спірних" об'єктів показав свою перевагу перед результатами використання методу k-means в таких програмних інструментах, як Deductor Studio Academic, Statistica StatSoft, SPSS Modeler IBM.