Для того, чтобы управлять, надо знать критические места, слабые звенья, группы риска, подходящие моменты, выгодные условия, опасные ситуации.
Система CLANST найдет их при помощи инновационных алгоритмов и даст Вам мощное оружие управления.
Единственная система, содержащая уникальную технологию автоматического выявления критических ситуаций в неограниченном объеме информации
CLANST - универсальная аналитическая система, основанная на анализе взаимных зависимостей относительных частот для однородных групп ('кланов') объектов, происходящих с ними событий и сопутствующих параметров. CLANST выполняет анализ взаимосвязей параметров и событий с одновременной их группировкой в однородные группы или 'кланы'. Термин 'клан', представляющий одно из базовых понятий системы, означает совокупность объектов, имеющих подобное поведение. Под 'поведением' объекта понимается совокупность частот возникновения различных типов событий. 'Подобное поведение' объектов определяется подобием наборов частот различных объектов. Изучение закономерностей изменения относительных частот параметров и событий для различных кланов и принципов автоматического формирования самих кланов дает в большинстве случаев новые знания о процессах, происходящих в изучаемой области, и позволяет находить более правильные решения по итогам анализа.
Возможности системы могут быть с большим эффектом реализованы при анализе:
заболеваемости, смертности, травматизма;
преступлений, правонарушений;
катастроф, аварий, неисправностей;
фондовых, валютных и товарных рынков;
занятости, безработицы, образования;
поставок, поставщиков, продаж, контрактов;
событий и регионов;
web-сайтов и активности интернет - ресурсов;
Главными особенностями системы являются:
возможность одновременного анализа любых данных - символьных, числовых, смешанных, - без предварительных преобразований и гипотез о законах распределения;
отсутствие ограничений на объем исходных данных;
автоматическое формирование однородных групп (кланов) объектов, событий, параметров;
формирование всех возможных взаимосвязей и взаимозависимостей между формируемыми однородными группами даже при различной их природе и единицах измерений;
одновременное выявление всех закономерностей в изучаемой системе и анализ ее как единого целого.
Возможности системы лучше всего продемонстрировать на конкретном примере, который позволяет оценить, как могут быть сформированы исходные данные и представлены основные результаты для любых областей из перечисленных выше или иных, представляющих интерес.
Демонстрация системы основана на анализе многолетней медицинской статистики пациентов, работающих в экстремальных природных условиях.
Исходные данные (N-номер пациента, S - стаж работы в экстремальных условиях, M - класс заболевания по международной классификации болезней, P - пол, W - возраст, D - категория должности, R - регион работы в экстремальных условиях; размер исходного файла не ограничен):
Объектами в данном случае являются пациенты (их номера N), событиями - значения подклассов заболеваний по международной классификации (M), сопутствующими параметрами - S, P, W, D, R.
На первом этапе система CLANST группирует типы событий (заболевания) в классы, соответствующие первому уровню международной классификации болезней, и находит состав однородных групп по каждому параметру. Ниже приведена одна из множества получаемых диаграмм, устанавливающая процентное соотношения частот различных классов заболеваний для разных возрастных групп. Границы возрастных групп определяются системой автоматически. Аналогичные диаграммы строятся для всех остальных параметров.
По каждому классу заболеваний строится серия диаграмм, отражающая взаимодействие различных параметров. Ниже приведена одна из таких диаграмм - диаграмма частот возникновения заболеваний класса С для разных возрастных групп при различных значениях стажа работы в экстремальных условиях.
Завершается первый этап определением групп риска по каждому типу событий (классу заболеваний). Ниже приведены диаграммы частот по группам риска только для двух классов заболеваний - С и I.
На втором этап работы система CLANST переходит к детальному рассмотрению подклассов событий (заболеваний) и находит однородные группы болезней 2-го уровня по международной классификации заболеваний, формируя при этом отвечающие им однородные группы объектов (по значениям параметров). Ниже приведена одна из множества диаграмм - динамики соотношения частот однородных групп заболеваний второго уровня классификации для разных возрастных групп.
Для каждой группы однородных заболеваний строятся диаграммы взаимосвязанного изменения частот при всех вариантах сочетаний различных параметров друг с другом. Ниже показана динамика изменения частот для группы заболеваний I11, при сочетании категорий должностей и возрастных групп.
Завершается второй этап формированием групп риска по каждой группе заболеваний второго уровня и определением относительных частот для каждой из них.
Третий этап работы системы дает возможность определить взаимосвязи между типами событий (классами заболеваний) первого уровня для каждой группы параметров.
Диаграмма внизу показывает частоты сопутствующих заболеваний других классов для пациентов - мужчин с диагнозом C.
Подобные диаграммы строятся для всех групп параметров и всех классов заболеваний.
Четвертый этап устанавливает взаимосвязи между типами событий (классами заболеваний) второго уровня для каждой группы однородных параметров. Диаграмма внизу показывает частоты сопутствующих групп заболеваний для пациентов, болеющих I10 (для одной из подкатегорий профессий).
Диаграммы строятся для всех однородных групп заболеваний и параметров.
Пятый этап устанавливает взаимосвязи между группами классов заболеваний первого уровня для каждой группы параметров. Диаграмма ниже показывает частоты сопутствующих классов заболеваний для пациентов, болеющих болезнями объединенного класса C- I.
Подобные диаграммы строятся для всех однородных групп классов и параметров.
Анализу может быть подвергнута любая структурированная информационная совокупность, которая допускает преобразование ее к некоторому стандартному виду, включающему сведения об объектах, происходящих с ними событиях и сопутствующих параметрах.
Подобное представление позволяет использовать специальные методы обработки, реализованные в системе CLANST, и получать более глубокие сведения об изучаемой области и закономерностях в ней, приближая нас к лучшему пониманию реальности.
![Логотиа [Смирнова Дарья]](/img/k/klimenko_b_f/klanst/logotip.jpg)
![Таблица [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/tablica.jpg)
![Рисунок 1 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_1.jpg)
![Рисунок 2 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_2.jpg)
![Рисунок 3 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_3.jpg)
![Рисунок 4 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_4.jpg)
![Рисунок 5 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_5.jpg)
![Рисунок 6 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_6.jpg)
![Рисунок 7 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_7.jpg)
![Рисунок 8 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_8.jpg)
![Рисунок 9 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok_9.jpg)
![Рисунок 10 [Клименко Б.Ф.]](/img/k/klimenko_b_f/klanst/risunok10.jpg)