决策支持系统（DSS）理论·方法·案例

　　本书是《决策支持系统（DSS）理论·方法·案例》的第3版，它除了对本书第二版中DSS的理论与方法做了全面的阐述并修订之外，重点论述了基于数据仓库的决策支持系统和数据挖掘技术的有关理论、方法，并介绍了最新开发和研制的案例。全书共分15章，第1章主要介绍DSS的产生与发展，充分论述了DSS的理论基础以及同相关学科的关系，还重点介绍了新一代DSS和基于数据仓库的决策支持系统的发展状况和最新研究动态；第2和第3章阐述了DSS的基本概念和典型的DSS的构造及系统结构；第4~第7章主要介绍数据库及其管理系统、数据开采技术、数据仓库技术，以及数据仓库的数据建模和元数据；第8章主要介绍DSS的重要组成部分——模型库及其管理系统；第9和第10章论述了知识发现方法和知识库系统；第11~第13章介绍了3个典型的DSS案例，即信用担保决策支持系统、证券行业数据仓库系统和数据挖掘应用案例；第14和第15章系统地介绍了PLATINUMTechnology数据仓库和BusinessObjects决策支持系统工具的比较典型的数据仓库范例。本书适用于高等院校的计算机应用、系统工程、经济管理、自动控制等专业的研究生和高年级学生作为教材或教学参考书；也可以作为DSS研究与开发人员的研究参考书；还可以供不同层次的经济与行政管理和企事业单位的有关领导、管理人员和科技人员使用。版权所有，翻印必究。本书前言前言决策支持系统（DSS）是信息系统研究的最新发展阶段。自美国麻省理工学院的MichaelS.ScottMorton和PeterG.W.Keen于20世纪70年代首次提出“DecisionSupportSystem”以来，在短短的20年里，各国学者对DSS的理论研究与开发应用进行了卓有成效的工作。目前，DSS已成为系统工程与计算机应用领域中的重要研究课题。但是，DSS的发展道路并不平坦，其中也有过低谷。DSS发展到今天，当我们从低谷走向高潮时，纵览群学科的发展，才觉得DSS这门学科既有深刻的潜在意义，也有广阔的发展前景。因为DSS是一个融计算机技术、信息技术、人工智能、管理科学、决策科学、心理学、行为科学和组织理论等学科与技术于一体的技术集成系统，由于这些学科的不断发展，尤其是计算机技术和信息技术的巨大进步，可以预言，DSS作为新的交叉学科，将会随着它们的迅速发展而产生突破性的进展。通过国内外学术界广大专家、学者的不断探索和研究，经过20多年的应用、发展和完善，DSS的概念内涵和理论基础以及与其他相关技术的关系已经明朗并走向成熟。本书在此基础上充分论述了DSS理论基础的多学科综合性和实际应用的工程特点，它包括信息论、计算机技术、管理科学（MS）和运筹学（OR）、信息经济学、行为科学和人工智能等理论；并从理论上和实践上阐明DSS与几个重要的相关技术的关系；例如，DSS与MS和OR的关系；DSS与MIS（管理信息系统）的关系；DSS与ES（专家系统）的关系，等等。同时系统和科学地阐述决策支持系统的一些基本概念，例如DSS领域里的一些热点问题：关于结构化、半结构化和非结构化问题；决策支持和DSS定义；DSS的构造和系统结构问题。本书吸收了国内外的最新观点，并提出作者本人的独到见解。本书以一节的篇幅概述了新一代DSS的发展状况和最新研究动态，这些新一代DSS是：群决策支持系统（GDSS）；分布式决策支持系统（DDSS）；智能决策支持系统（IDSS）；决策支持中心；战略决策支持系统；I３DSS，等等。几乎所有的DSS研究和开发都强调DSS对决策者的支持效用，其中最关键的部分就是人机界面的作用。有的人认为人机界面的设计是DSS成败的重要因素。因此本书用一章的篇幅介绍人机界面。它从国内外DSS人机界面的研究现状和所存在的问题出发，介绍了人机界面的最新设计方法、交互形式、界面汉化等问题；并论述多媒体技术对DSS人机界面的支持，多媒体技术可以改变DSS与决策者的交互形式，使人机关系产生质的飞跃，特别是可视听技术在DSS人机界面的开发与应用，将使DSS的研究登上新的高度，不过目前DSS在这方面的研究与应用尚属少见。在数据库及其管理系统一章充分表述DSS不同于MIS系统的特点。它要支持模型库，并要和知识库有机地结合起来；并介绍了多媒体数据库，指出多媒体数据库的关键技术所在。这些技术主要包括：多媒体信息的检索与查询及其他处理；多媒体信息的再现及良好的用户界面；数据的存储管理与压缩/解压缩技术；分布式环境与并行处理等；并对语义数据模型和面向对象的数据模型进行了概括的论述。总之，多媒体数据库的引入将使DSS发生划时代的变化。模型库及其管理系统是DSS发展的关键技术，首先要开发面对用户的模型体系，可以将若干模型或模型部件有机地结合起来，更方便地建造新模型或模型部件，解释模型输出等。然后介绍模型生成技术；模型管理的人工智能方法；模型管理和数据管理相结合的第四代模型管理系统的结构。并介绍了作者在开发DSS所采用的基于人工神经网络的非线性预测模型的研究成果。本成果提出了基于神经网络的非线性预测模型的若干技术处理方法，实现了加快网络收敛速度和提高模型预测精度的目的，并就非等权移动平均模型和非线性回归模型进行了深入的探讨。前者提出了基于神经网络的权值和变量个数的确定方法，后者提出了基于神经网络的非线性回归模型及学习算法。仿真实验表明具有较高的适应能力和预测精度。本书的另一特色就是引入了3个比较典型的DSS开发应用案例，它们都是近几年国内有关专家和作者本人的研究成果，基本上反映了我国20世纪90年代初DSS的开发与应用状况。《决策支持系统（DSS）——理论·方法·案例》这本专著在许多著名科学家的积极支持下，终于与读者见面了。在本书出版的过程中，在国内外享有盛誉的著名科学家、中国科学院院士、上海交通大学张钟俊教授，中国工程院院士、中国科学院系统科学研究所许国志研究员，我国著名经济学家、国务院发展研究中心顾问马宾研究员，国务院学位委员会委员、航天部710所副所长于景元研究员，中国科学院系统科学研究所朱广田研究员等给予了大力支持和热情的帮助，为本书的出版提出了许多宝贵意见。在此同时，本书又获得了清华大学出版社和广西科技出版社计算机学术著作出版基金专家委员会的肯定，使之列入该基金资助出版的专著。本书的正式出版使我感到非常欣慰，非常高兴，我没有辜负上述这些科学家在科学研究和学术活动中对我的有力支持和热切期望，在此我对他们表示由衷的感谢。本书的问世，不仅仅是作者本人的努力结果，而且还凝结了许多人的心血，在热情指导和帮助过我的老师、学生、朋友中间应该特别提到刘传栋和陈林龙二位博士，他们的出色工作为本书增色不少，借此机会，我向他们致以衷心的感谢和最良好的祝愿。由于作者水平有限，书中错误或不妥之处在所难免，诚恳希望同行和读者们批评指正。高洪深1995年11月于北京

　　高洪深，吉林农安人，1942年2月生，汉族，现北方工业大学教授兼中国社会经济系统工程学会常务理事。1981年5月北京钢铁学院（现北京科技大学）研究生（工学硕士）毕业后被分配到北方工业大学数量经济研究所工作一直从事经济理论与经济管理的教学与研究工作。其中，1984.8-1985.9在联邦德国卡尔.杜易斯堡基金会经济管理学院进修经济管理与系统工程、计算机应用等。1991.9-1992.3再一次赴联邦德国在卡塞尔大学作为高级访问学者同德方教授合作进行生态经济学和信息经济学的研究，并对经济管理领域中的信息决策支持系统作了较深的研究，在此期间，考察了设以维也纳的国际应用系统分析研究所，获得了大量有关决策支持系统（DSS）的最新研究动态与资料，并结合自己的研究成果，回国后，先后撰写两本专著：《决策支持系统（DSS）》和《经济系统分析导论》正式发表。高洪深在社会经济系统工程和经济系统分析方面取得了一系列研究成果，获得多项部委级科技进步奖，其中一项一等奖，一项二等奖，二项三等奖，二项四等奖。这些成果的特点就是和计算机技术紧密结合起来，先后出版了四本专著，并在国内外正式发表学术论文60多篇。1992年度被国务院表彰为有突出贡献的中青年专家，享受国务院颁发的政府特殊津贴。其经济观点：为了使经济可持续发展，必须用系统科学的观点进行全面的分析研究，对工业化的速度问题、资源、粮食、人口、生态环境的综合系统研究才能保持经济可持续发展。

目录
第1章概论1
1.1决策支持系统的产生与发展1
1.1.1DSS的产生背景1
1.1.2DSS的发展2
1.2DSS发展的理论基础4
1.2.1信息论4
1.2.2计算机技术4
1.2.3管理科学和运筹学5
1.2.4信息经济学5
1.2.5行为科学6
1.2.6人工智能7
1.3DSS与相关技术的关系7
1.3.1决策与预测的关系7
1.3.2DSS与管理科学、运筹学的关系10
1.3.3DSS与MIS的关系11
1.3.4DSS与专家系统的关系12
1.4新一代DSS的发展13
1.4.1群决策支持系统13
1.4.2分布式决策支持系统14
1.4.3智能决策支持系统15
1.4.4决策支持中心16
1.4.5战略决策支持系统17
1.4.6I３DSS18
1.5数据仓库与决策支持系统19
1.5.1新型的决策支持技术——数据仓库和联机分析处理19
1.5.2综合决策支持系统19
1.5.3基于数据仓库的决策支持系统21
第2章决策支持系统的基本概念22
2.1结构化、半结构化和非结构化问题22
2.1.1概述22
2.1.2决策问题的性质和层次23
2.2决策支持与DSS的定义25
2.2.1决策支持25
2.2.2决策支持分类25
2.2.3决策风格27
2.2.4DSS的定义28
2.3DSS的概念模式29
2.3.1系统分析29
2.3.2专用DSS30
2.3.3DSS工具30
2.3.4DSS生成器31
2.3.5累接设计32
2.3.6ROMC分析方法33
2.3.7系统的柔性35
2.3.8系统的集成化36
第3章DSS的构造与系统结构38
3.1引言38
3.1.1DSS的基本部件38
3.1.2目标39
3.1.3功能40
3.2DSS的人机界面和问题处理系统40
3.2.1人机界面40
3.2.2问题处理系统42
3.2.3自然语言理解43
3.3四库系统46
3.3.1数据库系统46
3.3.2模型库系统47
3.3.3知识库系统47
3.3.4方法库系统48
3.4DSS的系统结构50
3.4.1三角式结构50
3.4.2串联结构50
3.4.3熔合式结构51
3.4.4以数据库为中心的结构51
3.4.5四库三功能的系统结构52
3.4.6智能DSS的结构53
3.5DSS的体系结构与分析54
3.5.1DSS体系的分析54
3.5.2环境特征55
3.5.3系统的部件56
3.5.4资源57
3.5.5环境和资源的关系58
第4章数据库及其管理系统60
4.1基本概念60
4.1.1数据库系统的定义及其特点60
4.1.2DSS数据库系统的设计特点61
4.2数据的组织与描述62
4.2.1实体模型62
4.2.2数据模型63
4.2.3数据模型的设计64
4.3DSS的数据库设计66
4.3.1数据库的概念设计67
4.3.2数据库的逻辑设计70
4.3.3数据库的物理设计72
4.3.4数据库系统语言72
4.4DSS数据库技术的发展74
4.4.1数据库与知识库的结合方式74
4.4.2数据库技术支持模型库75
4.4.3DSS中数据库单元设计76
4.4.4DSS数据库技术的发展分析76
4.5多媒体数据库77
4.5.1多媒体数据库的特点与功能77
4.5.2多媒体数据库及其管理系统的关键技术78
4.5.3数据模型技术79
第5章数据开采技术82
5.1数据开采技术研究背景及现状82
5.1.1引言82
5.1.2研究背景及意义82
5.1.3国内外研究现状83
5.2数据开采技术基本概念85
5.2.1数据开采的定义85
5.2.2数据开采的过程及分类86
5.2.3数据开采的内容和本质88
5.2.4基于数据仓库的数据开采技术89
5.3数据开采方法91
5.3.1分类91
5.3.2聚类92
5.3.3神经网络92
5.3.4关联规则开采方法94
5.3.5决策树95
5.3.6多层次数据汇总归纳96
5.3.7空间数据库的数据开采97
5.3.8数据开采的其他方法97
5.4数据开采——云模型方法98
5.4.1定性和定量互换模型——云模型98
5.4.2发现状态空间理论99
5.4.3用云模型从空间数据库中发掘关联规则102
5.5模糊数据开采方法104
5.5.1数据仓库的引入104
5.5.2模糊数据开采方法104
5.5.3FDM应用范例106
5.6数据开采的智能方法108
5.6.1从数据库发现知识108
5.6.2数据开采与DBMS和联机分析处理的区别与联系109
5.6.3数据开采的方法和实施过程109
5.6.4智能算法110
5.7数据开采工具及发展方向113
5.7.1数据开采的工具113
5.7.2数据开采的发展方向113
5.8SAS的数据开采的方法论——SEMMA115
5.8.1数据开采提供决策支持115
5.8.2数据开采的方法论——SEMMA116
5.9数据开采的应用领域120
5.9.1数据开采在市场营销和金融投资中的应用120
5.9.2数据开采系统在风险评估中的应用121
5.9.3DM系统在通信网络中的应用123
5.9.4在DNA分析中的应用125
5.9.5天文数据分析中的DM系统126
第6章数据仓库技术128
6.1数据仓库概述128
6.1.1 数据仓库的定义128
6.1.2 数据仓库查询系统的特点128
6.1.3 OLTP与OLAP的特点129
6.1.4 详细数据与小结数据129
6.1.5 数据仓库与数据集市131
6.1.6数据仓库引擎的选择133
6.2数据仓库的结构框架133
6.2.1框架的概念和重要性133
6.2.2通用框架结构136
6.2.3数据源块137
6.2.4数据仓库结构块138
6.2.5数据站场结构块139
6.2.6数据仓库的存取和使用模块140
6.2.7数据管理层模块141
6.2.8传输层模块141
6.2.9基础结构层模块142
6.3数据仓库系统及其开发过程143
6.3.1数据仓库系统143
6.3.2数据仓库的开发过程144
6.4数据仓库管理系统中的关键技术145
6.4.1引言145
6.4.2系统结构146
6.4.3系统主要模块及关键技术147
6.5可视数据仓库150
6.5.1引言150
6.5.2可视数据仓库的功能151
6.5.3数据仓库规模化的体系结构151
6.5.4可视数据仓库的管理152
6.5.5IBM可视数据仓库解决方案153
6.6SAS数据仓库的结构与功能154
6.6.1SAS数据仓库的体系结构154
6.6.2SAS数据仓库的功能156
6.6.3SAS数据仓库有助于数据开采158
第7章数据仓库的数据建模和元数据160
7.1数据仓库的数据概念模型160
7.2数据仓库的数据组织161
7.2.1数据仓库的数据组织方式161
7.2.2多维数据库的组织方式161
7.2.3OLAP的数据组织163
7.3数据源建模163
7.4数据仓库建模164
7.4.1星型模型164
7.4.2雪花模型165
7.4.3混合模型166
7.5元数据的概念167
7.6元数据在数据仓库中的重要性168
7.6.1元数据在数据仓库开发期间的重要性170
7.6.2数据源抽取170
7.6.3数据求精与重构工程171
7.6.4访问与使用173
7.7元数据的管理功能173
7.7.1数据仓库内容的描述173
7.7.2定义数据抽取和转换174
7.7.3基于商业事件的抽取调度175
7.7.4描述数据同步需求176
7.7.5衡量数据质量指标176
7.7.6数据仓库信息的目录177
7.7.7信息目录的现状179
7.7.8元数据的数据字典和纲目库180
7.8元数据的标准化和商品化180
7.8.1元数据的标准化180
7.8.2元数据的商品化181
第8章模型库及其管理系统182
8.1模型与模型库的基本概念182
8.1.1模型概念182
8.1.2模型特点182
8.1.3模型群和模型体系183
8.1.4模型库185
8.2模型生成技术188
8.2.1传统建模方法及其缺陷188
8.2.2模型生成技术189
8.2.3模型生成的一般步骤190
8.2.4模型的动态生成192
8.3模型管理技术193
8.3.1模型管理系统193
8.3.2模型管理技术的发展过程194
8.3.3模型管理系统的主要研究内容195
8.4DSS中模型管理的人工智能方法196
8.4.1用一阶谓词逻辑表示模型的一种方法196
8.4.2知识库支持模型的一个实例201
8.5模型管理和数据管理的结合202
8.5.1引言202
8.5.2模型管理和数据管理的结合203
8.5.3第四代模型管理系统的结构204
8.6基于人工神经网络的非线性预测模型206
8.6.1人工神经网络模型基本概念206
8.6.2基于神经网络的非线性预测方法208
8.6.3逆传播神经网络模型的改进212
8.6.4权重贡献率和关键神经结点215
8.6.5模型变量的选择216
8.6.6观测样本的采集和使用217
第9章知识发现方法219
9.1数据开采和知识发现的区别与联系219
9.2知识发现概念220
9.2.1知识发现定义220
9.2.2KDD的特点221
9.2.3知识发现的一般过程222
9.2.4知识发现的研究方向222
9.3知识发现方法223
9.3.1知识发现方法和算法224
9.3.2实用的知识发现工具和应用系统228
9.4基于数据库中的知识发现231
9.4.1引言231
9.4.2KDD处理过程232
9.4.3数据开采的目标及方法233
9.4.4数据库中的知识发现234
9.4.5KDD系统简介及其WWW地址235
9.5基于数据库中的自动发现广义序贯模式236
9.5.1引言236
9.5.2广义序贯模式的有关概念238
9.5.3广义序贯模式的发现算法239
第10章知识库系统243
10.1基本概念243
10.1.1数据243
10.1.2信息243
10.1.3知识243
10.1.4知识的分类244
10.1.5知识的属性245
10.1.6推理方法245
10.1.7知识库246
10.2知识表示方法246
10.2.1一阶谓词逻辑246
10.2.2语义网络表示252
10.2.3产生式规则256
10.2.4框架理论258
10.3知识库的建立261
10.3.1DSS知识库的特点261
10.3.2设计知识库系统的原则262
10.3.3知识库的开发步骤262
10.4问题处理系统264
10.4.1PPS在DSS中的地位264
10.4.2问题处理系统的分类265
10.4.3PPS的工作过程266
10.4.4问题处理系统的功能269
10.5问题求解系统274
10.5.1问题分析的基本方法274
10.5.2求解途径278
10.6推理机281
10.6.1基本概念282
10.6.2自动机283
10.6.3形式语言284
第11章信用担保决策支持系统287
11.1信用担保管理业务体系287
11.1.1信用担保管理制度框架和运作的比较287
11.1.2中小企业信用担保制度营运效果的比较分析及对我国的启示290
11.1.3资信评估与决策分析294
11.2信用担保业务流程分析与设计297
11.2.1信用担保业务流程概述297
11.2.2信用担保业务流程图299
11.2.3信用担保业务自动化与决策支持需求分析303
11.3信用担保业务自动化与决策支持系统设计306
11.3.1系统概述306
11.3.2系统性能综合要求309
11.3.3系统逻辑结构311
11.3.4基本设计概念和计算机处理流程312
11.3.5数据库设计315
11.3.6系统功能结构设计319
11.3.7补救措施与系统维护设计320
11.3.8系统的数据安全性320
第12章证券行业数据仓库系统321
12.1证券市场管理信息系统的现状及存在的问题321
12.2数据挖掘技术使证券行业数据仓库系统的开发成为可能321
12.3证券行业数据仓库系统的功能设计323
12.3.1系统目标323
12.3.2需求分析324
12.3.3系统结构和模型设计326
12.3.4系统装载、数据挖掘和界面设计330
第13章数据挖掘应用案例336
13.1数据挖掘在大型超市中的应用336
13.1.1数据挖掘前的准备336
13.1.2数据挖掘算法的选择337
13.1.3结果输出339
13.2数据挖掘在证券行业中的应用341
13.2.1数据挖掘在证券行业中的应用341
13.2.2数量关联规则在证券行业中的应用341
13.2.3单维布尔关联规则在证券行业中的应用350
第14章PLATINUM technology数据仓库360
14.1PLATINUM数据仓库解决方案360
14.1.1PLATINUM数据仓库设计原则360
14.1.2PLATINUM数据仓库结构360
14.1.3建立数据仓库的过程361
14.1.4PLATINUM数据仓库解决方案主要工具365
14.2PLATINUM系统管理解决方案368
14.2.1安全性管理解决方案——AutoSecureACX
和AutoSecureSSO368
14.2.2网络存储管理解决方案369
14.2.3企业作业管理解决方案369
14.2.4软件分发管理解决方案370
14.3PLATINUM应用开发生命周期解决方案372
14.3.1大型应用开发的基本流程372
14.3.2PLATINUM应用开发解决方案373
14.3.3分析设计工具374
14.3.4数据库服务器编程工具集375
14.3.5针对复杂业务的开发工具376
14.3.6应用系统测试工具集377
14.3.7应用开发管理工具378
14.4PLATINUM technology ProVision集成化系统及数据库管理379
14.4.1ProVision产品特色380
14.4.2ProVision产品结构380
14.4.3ProVision产品优势380
第15章Business Objects决策支持系统工具382
15.1Business Objects概述383
15.2Business Objects的特点和应用对象383
15.3Business Objects的主要功能384
15.4Business Objects的优点385
15.5Business Objects能帮助企业实现科学决策386
15.6Business Objects在银行系统的应用389
15.7Business Objects 4.0——数据库前端决策支持工具390
参考文献394