Информационная система анализа использования специальных знаний в раскрытии разбойных нападений

Тип работы:
Дипломная
Предмет:
Программирование


Узнать стоимость

Детальная информация о работе

Выдержка из работы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

в форме дипломного проекта

Информационная система анализа использования специальных знаний в раскрытии разбойных нападений

  • Содержание
  • Обозначения и сокращения
  • Введение
    • 1. Непараметрические модели коллективного типа в задаче прогнозирования временных зависимостей
      • 1.1 Постановка задачи
      • 1.2 Принцип коллективного оценивания в задаче прогнозирования временных процессов
      • 1.3 Методика построения непараметрических моделей с позиций метода двойного коллективного оценивания
      • 1.4 Модификации непараметрических моделей коллективного типа
      • 1.5 Определение вклада аргументов в формирование значений временной зависимости
      • 1.6 Ранжирование аргументов по значениям вкладов
      • 1.7 Эффективность модификаций непараметрических моделей коллективного типа
    • 2. Среда разработки. Выбор, обоснование и описание
      • 2.1 Описание поставленной задачи и выбор среды разработки
      • 2.2 Технология OLE
      • 2.3 Описание использованных OLE функций
    • 3. Информационная система анализа использования специальных знаний в раскрытии разбойных нападений
      • 3.1 Назначение и общие сведения об информационной системе
      • 3.2 Структура информационной системы
      • 3.3 Описание основных подсистем
      • 3.4 Руководство пользователя информационной системы анализа использования специальных знаний в раскрытии разбойных нападений
      • 3.5 Руководство программиста информационной системы анализа использования специальных знаний в раскрытии разбойных нападений
    • 4. Исследование и восстановление показателей преступности от следственных мероприятий
      • 4.1 Эффективность программных средств
      • 4.2 Исследование значения уровня преступности в зависимости от следственных мероприятий с учетом эффективности различных методов
    • 5. Экономическое обоснование работы
      • 5.1 Расчет единовременных затрат
      • 5.2 Определение себестоимости работы
      • 5.3 Расчет основной заработной платы
      • 5.4 Расчет дополнительной заработной платы
      • 5.5 Расчет отчислений на социальные нужды
      • 5.6 Расчет накладных расходов
    • 6. Безопасность производства
      • 6.1 Характеристики рабочего помещения
      • 6.2 Нормализация параметров микроклимата
      • 6.3 Освещение помещения
      • 6.4 Расчет освещенности рабочего места оператора
      • 6.5 Мероприятия по борьбе с шумом
      • 6.6 Пожарная безопасность
      • 6.7 Электробезопасность
      • 6.8 Некоторые вопросы охраны труда при работе с дисплеем ПК
  • Заключение
  • Список использованных источников

Обозначения и сокращения

ПО — программное обеспечение.

ПТО — программно-техническое обеспечение.

ОС — операционная система.

СУБД — система управления базами данных.

Введение

Внимание исследователя всегда привлекали методы обработки данных, ориентированные на достаточно низкий уровень априорной информации, что объясняется не только распространенностью в практике подобных условий, но и возможностью построения универсальных информационных средств, не зависящих от природы анализируемых объектов. Указанные особенности свойственны непараметрическим моделям и алгоритмам. Их применение не требует введения системы предположений для подгонки объективной реальности под узкие рамки конкретного метода. Основываясь в значительной степени на обучающих выборках, они позволяют получить результаты, максимально адекватные действительности.

Актуальным направлением развития теории непараметрических систем является разработка методов моделирования временных процессов по коротким рядам наблюдений их параметров. Подобные условия свойственны многостадийным технологическим процессам, уникальным техническим, социально-экономическим и экологическим системам, которые характеризуются не стационарностью присущих им закономерностей и, как следствие этого, малым объемом исходной информации.

В данном случае применение традиционных методов восстановления стохастических временных зависимостей необоснованно и трудно формализуемо. Использование принципов коллективного оценивания представляет собой перспективное направление обхода проблемы малых выборок при исследовании временных процессов.

Идея построения непараметрических моделей коллективного типа заключается в построении упрощенных аппроксимаций (не имеющих самостоятельного значения) относительно системы опорных ситуаций из обучающей выборки с последующим их объединением в коллективе с помощью методов непараметрической статистики. При анализе динамических процессов систему опорных ситуаций образуют элементы временного ряда наблюдений их параметров.

В предложенной работе при восстановлении временных зависимостей упрощенные аппроксимации формируются в двух направлениях от начального и конечного элемента временного ряда, что позволяет на их основе построить две непараметрических модели коллективного типа. Организация последних в обобщенной модели осуществляется в виде линейного функционала, тем самым реализуется принцип двойного коллективного оценивания (непараметрический и параметрический). Также в данной работе рассматривается построение модифицированных непараметрических моделей коллективного типа (непараметрические модели коллективного типа с учетом точности упрощенных аппроксимаций, непараметрические модели коллективного типа «с памятью», комбинированная непараметрическая модель). Особенность рассматриваемых моделей временных зависимостей состоит в наиболее полном использовании исходных статистических данных по сравнению с известными и обобщает их.

1. Непараметрические модели коллективного типа в задаче прогнозирования временных зависимостей

1.1 Постановка задачи

Объектом исследования является временная зависимость

. (1)

Априорная информация о временной зависимости (1) представлена в выборке статистически независимых наблюдений

,

измеряемых в дискретном времени.

Причем вид плотности вероятности неизвестен.

Особенностью данной задачи является малый объем обучающей выборки и большая размерность вектора Х. То есть отношение объема обучающей выборки к размерности входного вектора соизмерима.

,

где m~2,3,… n — объем обучающей выборки;

k — размерность вектора x={x1, x2,…, xk}

Необходимо восстановить временную зависимость по обучающей выборке, используя метод двойного коллективного оценивания.

1.2 Принцип коллективного оценивания в задаче прогнозирования временных процессов

Пусть V = (xt, yt, t =) — выборка наблюдений стохастического процесса измеряемых в дискретном времени t =.

y (t) = ft(x (t)),

Для восстановления нестационарных временных зависимостей в условиях малых выборок предлагается непараметрическая модель коллективного типа, синтез которой осуществляется по следующему алгоритму.

Поставим в соответствие каждой ситуации (x, y), (к — размерность х) подвыборку V = (xi, yi, i =) и аппроксимирующую функцию f (x, a), параметры которой удовлетворяют условиям:

.

Каждая функция проходит через опорные точки (y, x) и близка в среднеквадратическом к элементам выборки V, =.

Для линейных опорных функций

,(2)

параметры b определяются уравнением

, (3)

а оптимальные коэффициенты находятся из условия минимума критерия

.

В одномерном случае оптимальные параметры опорных функций могут быть определены по следующей формуле:

(4)

По полученным опорным функциям построим приближение искомой зависимости y (t) = ft(x (t)) в виде непараметрической модели коллективного типа:

(5)

где d (x, x) — весовая функция, значение которой зависит от расстояния между точками x и x. В качестве весовой функции d (x, x) может быть использовано Евклидово расстояние

или ядерные функции

В многомерном случае коллектив (5) для x = (x1,…, xk) имеет следующий вид:

. (6)

При малом объеме исходной выборки V качество аппроксимации нестационарных зависимостей непараметрической модели (6) зависит от выбранных ядерных функций и значений коэффициентов размытости.

1.3 Методика построения непараметрических моделей с позиций метода двойного коллективного оценивания

Для восстановления зависимости (1) воспользуемся модифицированной методикой синтеза непараметрических моделей коллективного типа, основанной на построении системы упрощенных аппроксимаций, с последующим объединением их в коллективе решающих правил. В предлагаемом подходе система упрощенных аппроксимаций формируется последовательно в двух направлениях от начального и от конечного условий, что позволяет в два раза увеличить их количество. Причем организация полученных аппроксимаций в обобщенной модели осуществляется с помощью двойного коллективного оценивания (непараметрического и параметрического).

Данная идея реализуется следующим алгоритмом:

Принять.

Сформировать выборку

.

Построить упрощенную аппроксимацию зависимости (1) с учетом условий

(7)

В соответствии с приведенными условиями упрощенная аппроксимация проходит через точку и близка в среднеквадратическом ко всем последующим ситуациям.

Если, перейти к этапу 2 при, в противном случае — к этапу 5.

Построить непараметрическую модель коллективного типа зависимости (1)

(8)

Где

,

непараметрический программист преступность информационный

где d (x, x) — весовая функция, значение которой зависит от расстояния между точками x и x.

В качестве весовой функции d (x, x) могут быть использованы Евклидова мера близости

,

где коэффициент p показывает скорость уменьшения влияния точек на значение функции в процессе удаления от опорных ситуаций.

или ядерные функции

,

где ядерные функции удовлетворяют условиям нормированности, положительности и симметричности относительно опорных ситуаций.

Принять.

Сформировать выборку.

Построить упрощенную аппроксимацию, проходящую через точку при, параметры которой удовлетворяют дополнительному условию

.

Если, перейти к этапу 7 при, иначе — к этапу 10.

Систему упрощенных аппроксимаций организовать в непараметрический коллектив

. (9)

Построить обобщенную коллективную модель зависимости (1) в соответствии с процедурой

,(10)

где параметр определяется из условия минимума эмпирического критерия

.

Произведем небольшой анализ модели (10), представив модель в виде

,(11)

а упрощенные аппроксимации в форме

,(12)

,(13)

используя условия их прохождения через точки типа (7). Тем самым, выражая сводный член аппроксимаций через экспериментальные данные. Здесь и — упрощенные аппроксимации без свободного члена.

Подставим (12), (13) в модель (11), с учетом статистик (8), (9) получим

(14)

Первое и второе слагаемое модели (14) отражает информацию, содержащуюся в точках обучающей выборки, а третье — во взаимосвязи между ними. Тем самым в одном решающем правиле сочетаются возможности параметрических и локальных методов аппроксимации, что соответствует особенностям непараметрических моделей коллективного типа. Однако большее количество упрощенных аппроксимаций в предлагаемых моделях (10) создает реальную основу их преимущества над традиционными непараметрическими коллективами.

1.4 Модификации непараметрических моделей коллективного типа

Непараметрическая модель коллективного типа «с памятью»

При решении прикладных задач восстановления стохастических зависимостей исследователь сталкивается с инерционными временными процессами. Традиционная коллективная модель (6) учитывает предыдущие значения за счет стратегии формирования упрощенных аппроксимаций, что может быть недостаточно для эффективного исследования инерционных систем. Поэтому предлагается следующая модификация непараметрической модели коллективного типа с памятью о предыдущих значениях

,(15)

где ядерные функции удовлетворяют условиям нормированности, положительности и симметричности относительно опорных ситуаций.

Модификация непараметрических моделей коллективного типа, основанная на учете эффективности упрощенных аппроксимаций

В реальных временных стохастических системах влияние случайных помех, выбросов и неучтенных факторов в структуре модели может быть велико, что, несомненно, отражается на качестве аппроксимации. Поэтому возникает задача дополнительного сглаживания восстанавливаемой зависимости. Для этого предлагается учитывать эффективность упрощенных аппроксимаций. Под показателем эффективности под номером ф подразумевается критерий ее расхождения со всеми элементами обучающей выборки

.

Непараметрическая модель коллективного типа, основанная на учете эффективности упрощенных аппроксимаций, имеет вид

,(16)

где ядерные функции удовлетворяют условиям нормированности, положительности и симметричности относительно опорных ситуаций.

Комбинированная непараметрическая модель

Руководствуясь ранее полученными результатами (15) и (16) возникает идея их объединения в одной статистической модели с целью максимального использования априорной информации.

В результате комбинированная модель имеет вид

,(17)

где ядерные функции удовлетворяют условиям нормированности, положительности и симметричности относительно опорных ситуаций.

1.5 Определение вклада аргументов в формирование значений временной зависимости

Для решения задачи дифференциации вкладов воздействующих факторов по степени их влияния на динамику показателей временных процессов используется метод определения информативных признаков на основе непараметрических моделей коллективного типа (10).

Определим упрощенные аппроксимации с помощью линейных функций

(18)

где их аргументы — нормированные переменные

,

где

.

Параметры и определяются как

(19)

Оптимальные коэффициенты и находятся по методу наименьших квадратов:

В результате решения систем уравнений

определим параметры и, .

Запишем непараметрические модели (8) и (9) в виде:

.

Тогда обобщенная модель (10) будет иметь вид:

(20)

Из анализа выражения (17) следует, что отношение

определяет вклад -й компоненты в формирование значений восстанавливаемой функции.

Причем отношение

можно рассматривать как вклад неучтенных факторов в формирование .

1.6 Ранжирование аргументов по значениям вкладов

Так как объем обучающей выборки n соизмерим с размерностью вектора x, а реальное количество факторов, которые выступают в виде аргументов намного больше, чем можно использовать в модели. И так как необходимо выбрать наиболее информативный фактор из всех присутствующих в информационной системе, то необходимо произвести сортировку всех факторов по уровню величины вкладов в значение оцениваемой функции.

Методика ранжирования аргументов по значениям вкладов.

1Формируется матрица, элементами которой являются значения вкладов аргументов, полученных из модели, построенной с участием только двух элементов вектора х

,

где — элементы вектора х,

— вклад i-й компоненты вектора х, полученный из модели, построенной с участием и.

2Элементы полученной матрицы суммируются по строкам.

3По полученным суммарным вкладам производится сортировка аргументов.

После ранжирования, можно выбрать то количество факторов, которое позволяет модель и определить их вклад в значение функции.

1.7 Эффективность модификаций непараметрических моделей коллективного типа

Учитывая данные теоретических исследований за предыдущие годы приходим к следующим выводам: при малых объемах обучающей выборки значение относительной ошибки аппроксимации для непараметрической модели коллективного типа с учетом эффективности упрощенных аппроксимаций меньше, чем простой модели двойного коллективного оценивания в среднем в 1,3 раза. С увеличением объема обучающей выборки аппроксимационные свойства модели с учетом эффективности улучшаются.

При восстановлении нестационарной зависимости с пространством входных признаков k=1 при малых объемах обучающей выборки значение относительной ошибки аппроксимации простой модели двойного коллективного оценивания больше, чем модели «с памятью» в 1,3; модели c учетом эффективности в 1,2; комбинированной модели в 1,3 раза. С увеличением объема обучающей выборки аппроксимационные свойства моделей с модификациями улучшаются.

При восстановлении нестационарных зависимостей с пространством входных признаков k=2 и k=3 при малых объемах обучающей выборки значение относительной ошибки аппроксимации простой модели меньше, чем модифицированных моделей. Но при увеличении объема обучающей выборки значение относительной ошибки аппроксимации простой модели становится больше, чем значение относительной ошибки аппроксимации модифицированных моделей.

Непараметрические модели коллективного типа представляют собой новое направление решения задачи восстановления стохастических зависимостей, обеспечивающие сочетание преимуществ локальных и параметрических аппроксимаций.

Рассматриваемые непараметрические модели коллективного типа позволяют решать задачи восстановления нестационарных зависимостей в условиях малых выборок, когда отношение «объем выборки/размерность вектора входных значений» соизмеримо с единицей, за счет максимального использования информации обучающей выборки. Применение данных моделей позволяет оценивать вклад аргументов в формирование значений восстанавливаемой зависимости.

2. Среда разработки. Выбор, обоснование и описание

2.1 Описание поставленной задачи и выбор среды разработки

Для создания программных средств необходимо реализовать следующие задачи:

— Считывание данных с таблиц Microsoft Office Excel;

— Работа с многомерными массивами;

— Сложные математические вычисления;

— Генерация случайных чисел с помощью различных законов распределения;

— Построение таблиц и графиков на основе результатов вычисления;

— Высокая надежность и производительность вычислений.

На основе данных требований была выбрана среда разработки Borland Developer Studio 2006.

Язык программирования C++.

Работа с файлами Excel реализована через OLE.

2.2 Технология OLE

OLE (англ. Object Linking and Embedding, произносится как oh-lay [олэй]) -- технология связывания и внедрения объектов в другие документы и объекты, разработанные корпорацией Майкрософт. OLE позволяет передавать часть работы от одной программы редактирования к другой и возвращать результаты назад. Например, установленная на персональном компьютере издательская система может послать некий текст на обработку в текстовый редактор, либо некоторое изображение в редактор изображений с помощью OLE-технологии. Основное преимущество использования OLE (кроме уменьшения размера файла) в том, что она позволяет создать главный файл, картотеку функций, к которой обращается программа. Этот файл может оперировать данными из исходной программы, которые после обработки возвращаются в исходный документ.

Использование ActiveX -- последнего продукта в эволюции OLE. Проигрывание музыкального файла. OLE используется при обработке составных документов (англ. compound documents), может быть использована при передаче данных между различными несвязанными между собой системами посредством интерфейса переноса (англ. drag-and-drop), а также при выполнении операций с буфером обмена. Идея внедрения широко используется при работе с мультимедийным содержанием на веб-страницах (пример -- Веб-ТВ), где используется передача изображение звука, видео, анимации в страницах HTML (язык гипертекстовой разметки) либо в других файлах, также использующих текстовую разметку (например, XML и SGML). Однако, технология OLE использует архитектуру «толстого клиента», то есть сетевой ПК с избыточными вычислительными ресурсами. Это означает, что тип файла либо программа, которую пытаются внедрить, должна присутствовать на машине клиента. Например, если OLE оперирует таблицами Microsoft Excel, то программа Excel должна быть инсталлирована на машине пользователя.

2.3 Описание использованных OLE функций

OlePropertyGet — обращение к члену коллекции Excel (таким как: книга, лист, ячейка).

OleProcedure — вызов процедуры Excel (открытие, закрытие, сохранение файла).

Использование данных технологий позволяет реализовать все функции необходимые для функционирования программы, использование технологии OLE решает вопросы связанные со считыванием данных из Excel.

3. Информационная система анализа использования специальных знаний в раскрытии разбойных нападений

Рассматривается программная реализация модификаций непараметрических моделей коллективного типа в составе информационной системы анализа использования специальных знаний в раскрытии разбойных нападений.

Дается описание созданной информационной системы, структура программного обеспечения и руководство пользователя.

3.1 Назначение и общие сведения об информационной системе

Информационная система анализа использования специальных знаний в раскрытии разбойных нападений предназначена для комплексного исследования показателей преступности по данным коротких рядов их наблюдений.

Исходная информация сосредоточена в коротких временных рядах параметров системы (данные уголовной статистики, демографические и социально-экономические показатели, характеристики ОВД, данные Управления исполнения наказания (УИН) и т. д.), контролируемых в дискретные интервалы времени.

Малый уровень априорной информации (объем исходной выборки составляет 8−10 лет ввиду затруднительности в получении данных статистики) не позволяет эффективно, с позиций традиционных методов теории динамических систем, организовать процесс изучения и моделирования нестационарных закономерностей функционирования системы преступности в регионе.

В подобных условиях аппарат теории непараметрических обучающихся систем может служить основой универсального математического обеспечения информационной системы анализа использования специальных знаний в раскрытии разбойных нападений, адаптируемой к различным географическим регионам и популяциям населения.

Поскольку сведения уголовной статистики формируются на основе отчетных данных УВД и ОВД, носителем криминологической информации является административно-территориальное образование, для которого основным показателем преступности является отношение зарегистрированного числа фактов преступлений к заданному количеству жителей, достигших возраста уголовной ответственности.

Функциональное назначение информационной системы состоит в обнаружении и прогнозировании закономерностей формирования динамики показателей преступности в изменяющихся условиях внешних факторов, оказывающих заметное управляющее воздействие; их дифференциации по степени влияния на исследуемые показатели; выборе оптимальных вариантов параметров воздействующих факторов, обеспечивающих заданное изменение выбранного показателя.

Эксплуатационное назначение системы:

— обеспечение поддержки принятия решений для соответствующих специалистов в области решаемых задач и пользователей системы;

— в качестве информационных тренажеров для подготовки и повышения квалификации профессиональных кадров в учебных заведениях.

Состав основных выполняемых функций:

— считывание полученных данных из Excel;

— расчет статистических оценок показателей преступности;

— прогнозирование показателей преступности на основе динамики их наблюдений и факторов внешних условий;

— оценка «вклада» параметров внешних условий в изменение исследуемого показателя;

— визуализация динамики наблюдений и результатов исследования и восстановления показателей преступности от следственных мероприятий.

Техническое обеспечение.

Минимальные требования к аппаратному и программному обеспечению компьютера для надежной работы информационной системы следующие:

— операционная система: Windows 98 и выше;

— процессор: Pentium — 233 и выше;

— оптимальный объем оперативной памяти: 32 Mb;

— установленное приложение Microsoft Excel.

3.2 Структура информационной системы

В структуре разработанной информационной системы выделяются три основные подсистемы:

— считывание данных из Excel — считывает двумерный массив данных из файла *. xls.

— прогноз — решает задачу прогнозирования показателей временных процессов.

— вклад аргументов — осуществляет ранжирование признаков по значениям вкладов, определяет вклад факторов в изменение показателей преступности и осуществляет расчет вклада неучтенных факторов.

Каждая из приведенных подсистем является самостоятельным программным модулем, интегрированным в единую оболочку.

3.3 Описание основных подсистем

Подсистема «считывание данных»

Данная подсистема предназначена для решения следующих задач:

формирование запроса к файлу;

получение данных из файла с помощью функций OLE;

формирование таблицы из считанного массива.

Подсистема позволяет считать данные непосредственно из файла с расширением *. xls без предварительного форматирования, указав объем считываемого массива, и с какой ячейки непосредственно начать считывание. Необходимым условием работы данной подсистемы, построенной с использованием технологии OLE, является установленное на компьютере приложение Microsoft Excel.

Данная подсистема позволяет считывать информацию без предварительного форматирования, со скоростью, в среднем, 30 000 ячеек в секунду.

Альтернатива использованию баз данных, в виде работы программы непосредственно с Excel является обоснованной по ряду причин:

— нет необходимости устанавливать серверное ПО баз данных;

— отпадает избыточность конфигурации программного обеспечения;

— доступ и редактирование данных осуществляется непосредственно, через удобный и изученный интерфейс Excel;

— упрощается установка и обучение по работе с программой.

Подсистема «Прогноз»

Подсистема «Прогноз» является базовой в структуре информационной системы анализа использования специальных знаний в раскрытии разбойных нападений и обеспечивает решение следующих задач:

1) первичная обработка данных и выявление статистических закономерностей. Формирование на основе данных исследуемых показателей и воздействующих факторов, моделей зависимости показателей временных процессов от значений параметров внешних условий;

2) прогнозирование показателей временных процессов по набору воздействующих факторов с учетом инерционности исследуемой системы;

3) графическая интерпретация результатов прогноза.

Основной задачей, решаемой данной подсистемой, является задача формирования моделей динамики показателей преступности. На ее основе решаются остальные задачи.

Структура подсистемы «Прогноз» представлена на рисунке 1

/

Рисунок 1 Структура подсистемы прогнозирование

Программное обеспечение подсистемы «Прогноз» построено в виде блочных процедур, обеспечивающих выполнение определенных задач.

Блок первичной обработки производит предварительную статистическую обработку данных. Определяются достаточность данных для формирования модели.

Блок формирования моделей динамики показателей преступности и блок прогноза реализует решение задачи прогноза показателей для заданных пользователем значений внешних факторов (осуществляется на основе одной из моделей, выбранной пользователем).

Блок визуализации результатов моделирования обеспечивает представление результатов работы программы в виде таблиц и графиков с возможностью вывода на принтер или в файл.

Результаты работы подсистемы «Прогноз» информационной системы прогнозирования и анализа временных процессов позволяют:

1) оценивать тенденцию изменения показателей исследуемых признаков;

2) прогнозировать показатели временных процессов в зависимости от значений факторов внешних условий;

3) моделировать различные ситуации изменения объекта исследования и оценивать воздействия на его показатели;

Подсистема «Вклад аргументов»

Данная подсистема предназначена для решения следующих задач:

— Ранжирование признаков по значениям вкладов.

Результатом решения этой задачи является список факторов в порядке убывания величины вклада этих факторов в значение прогнозируемого показателя.

Результат ранжирования позволяет из полученных факторов отобрать наиболее информативные и осуществить прогноз только по этим факторам.

— Определение вклада факторов в изменение показателей временных процессов.

После отбора наиболее информативных факторов, информационная система позволяет осуществить расчет вклада факторов в изменение показателей по этим факторам.

— Определение вклада неучтенных факторов.

Так как, информационная система и математическая модель не позволяют учитывать все факторы, которые влияют на изменение показателей преступности, то существует необходимость определить вклад неучтенных факторов, что в будущем позволит осуществить наиболее верный выбор факторов для прогноза.

Полученные результаты работы программы могут служить исходной информацией в поддержке принятия решений (выбор оперативных мероприятий, направленных на профилактику и борьбу с преступностью).

3.4 Руководство пользователя информационной системы анализа использования специальных знаний в раскрытии разбойных нападений

Программные средства объединены в исполняемом файле work. exe

Для работы с программой необходимо запустить исполняемый файл, произвести необходимые действия для работы с одной из подсистем.

Считывание данных из Excel

В главном окне программы находится форма запроса для считывания данных:

Рисунок 2 Считывание данных

В данной форме необходимо указать количество считываемых факторов, начиная с какого столбца их считать, с какого столбца считать прогнозируемый показатель, и за сколько лет считать данные. Количество факторов за определенное количество лет образуют матрицу значений обучающей выборки, а прогнозируемый показатель за определенное количество лет — прогнозируемую зависимость. Далее необходимо указать число шагов для прогноза, это необходимо для формирования таблицы значений факторов. Указав необходимые параметры пользователь нажимает кнопку «открыть файл», в появившемся окне:

Рисунок 3 Окно выбора файла для считывания

Необходимо выбрать интересующий нас файл и нажать кнопку «открыть».

После проделанных пользователем операций, описанных выше, данные с указанными параметрами считаются в таблицу, отображаемую в главном окне программы.

Рисунок 4 Таблица со считанными данными

Как видно из рисунка верхнюю неизменяемую строчку составляют названия факторов и показателей. Это следует учитывать при составлении и редактировании файлов данных. Следует учитывать также, что считывается непосредственно указанное количество лет без учета верхней строчки.

Строка и столбец заполненные троеточиями необходимы для визуального отделения прогнозируемого показателя (столбец) и шагов прогноза (строки).

Прогнозирование показателя и визуализация результата

Для прогнозирования выбрано показателя на заданное количество шагов необходимо воспользоваться пунктом главного меню «прогнозирование»

Рисунок 5 Прогнозирование

Необходимо выбрать интересующий пользователя способ, система произведет вычисления и отобразит наглядный график с результатами.

Рисунок 6 График прогноза

Сортировка факторов

Для сортировки факторов необходимо воспользоваться пунктом главного меню «сортировка факторов»

Рисунок 7 Сортировка факторов

Необходимо выбрать интересующий пользователя способ сортировки, система произведет вычисления и отобразит результат в виде таблицы в правой части главного окна.

Рисунок 8 Список отсортированных факторов

3.5 Руководство программиста информационной системы анализа использования специальных знаний в раскрытии разбойных нападений

Программные средства представляют собой совокупность модулей:

— Unit1, реализующий весь графический интерфейс, отвечающий за считывание и отображение данных;

— Unit2, отвечающий за построение и отображение графиков;

— Execute, содержащий математические процедуры необходимые для реализации алгоритма двойного коллективного оценивания;

— Excel, реализующий взаимодействие с файлами *. xls с помошью OLE функций.

Описание функций модуля Unit1

void CompareFactors — определяет правильно ли задано соотношение количества факторов и лет, выбраны ли все необходимые показатели для вычисления.

void Button1Click — считывает по нажатию кнопки данные из Excel с заданными параметрами

Описание модуля Unit2

void Show2 — строит графики прогноза преступности.

Описание модуля Execute

void SolveSystem — решает систему линейных алгебраических уравнений.

void SearchAlpha — находит коэффициенты альфа для прямого и обратного прохода

void SearchC — ищет оптимальный параметр размытости (параболическая фнкция).

void SearchCT — ищет оптимальный параметр размытости (параболическая функция с временем).

void SearchCW — ищет оптимальный параметр размытости (параболическая функция с эффективностью аппроксимаций).

void SearchCWT — ищет оптимальный параметр размытости (смешанная модель).

void sort — строит модель.

Описание модуля Excel

void SetExcelCell — устанавливает текущую ячейку.

void GetExcelCells — получает значение текущей ячейки.

void ExcelClose — закрывает приложение.

Программное обеспечение, описанное выше, обладает достаточным функционалом для анализа зависимости исследуемого показателя от значения факторов, позволяет производить ранжирование факторов по вкладу и считывать данные в заданном виде.

4. Исследование и восстановление показателей преступности от следственных мероприятий

В данном разделе рассматривается эффективность разработанных программных средств, производится расчет процента эффективности на примере года с известными показателями, прогнозируются показатели последующих лет.

Анализ использования специальных знаний в раскрытии разбойных нападений осуществлялся по учетно-отчетным данным правоохранительных органов региона и Красноярского краевого комитета государственной статистики, составляющих основу базы данных информационной системы исследования и восстановления показателей преступности от следственных мероприятий.

Количественные характеристики системы образуют вектор входных xt и выходных yt переменных.

Развитие преступности описывается временной зависимостью, доступной для контроля в дискретном времени (год). Вид оператора взаимосвязи изменяется с неизвестной априори закономерностью.

Основываясь на имеющейся исходной информации, представленной выборкой статистических данных в t-й контролируемый момент времени, осуществлялось исследование показателей преступности, где m- количество возрастных групп населения, l- количество учитываемых показателей преступности, упорядоченных по степени общественной опасности.

Различные причины и условия преступности находятся в некотором соотношении друг с другом. Социально-экономические корни преступности известны давно, но определение влияния тех или иных факторов и их вклад в формирование преступности является сложной задачей не только с точки зрения их формализации и учета, но и объема производимых вычислительных экспериментов. Используя информационную систему анализа использования специальных знаний в раскрытии разбойных нападений, процесс исследования преступности заключается в построении гипотез возможного влияния набора внешних факторов и проверки предположений с помощью вычислительных экспериментов.

Часть данных правоохранительных органов имеет гриф «для служебного пользования» и в предлагаемых расчетах не используется.

4.1 Эффективность программных средств

Эффективность различных методов на примере прогноза грабежей

Исследовалась общая совокупность факторов, их общее число 9. Из них выбирались наиболее информативные. Данные о преступности присутствуют в нашем случае за 2000−2008 года, обучающую выборку составили 2000−2007 года, контрольный -2008г. Реальное значение за 2008 год — 5335 грабежей.

Предварительно была произведена сортировка факторов и из всех выбраны наиболее информативные 6 что соответствует максимально возможному количеству факторов для 8 лет наблюдений.

Рисунок 9 Список значимых факторов

Прогнозирование с помощью Евклидова расстояния. Со значениями факторов заданными по умолчанию.

Рисунок 10 Прогнозирование с помощью Евклидова расстояния

Процент ошибки от реального показателя за год с заданными по умолчанию параметрами составляет 17.6 процентов. С реальными значениями факторов за 2008 год.

Рисунок 11 Прогнозирование с помощью Евклидова расстояния с реальными значениями

Процент ошибки составляет 10.7 процента. Прогнозирование с помощью ядерной функции. Со значениями факторов заданными по умолчанию.

Рисунок 12 Прогнозирование с помощью ядерной функции

Процент ошибки составляет 15.7 процента. Прогнозирование с помощью ядерной функции. С реальными значениями факторов за 2008 год.

Рисунок 13 Прогнозирование с помощью ядерной функции с реальными значениями параметров

Процент ошибки составляет 19.9 процентов. Прогнозирование с помощью ядерной функции с учетом времени. Со значениями факторов заданными по умолчанию.

Рисунок 14 Прогнозирование с помощью ядерной функции с учетом времени

Процент ошибки составляет 16. 04 процента. Прогнозирование с помощью ядерной функции с учетом времени. С реальными значениями факторов за 2008 год.

Рисунок 15 Прогнозирование с помощью ядерной функции с учетом времени с реальными значениями

Процент ошибки составляет 2.2 процента. Прогнозирование с помощью ядерной функции с учетом эффективности. Со значениями факторов заданными по умолчанию.

Рисунок 16 Прогнозирование с помощью ядерной функции с учетом эффективности

Процент ошибки составляет 16 процентов.

Прогнозирование с помощью ядерной функции с учетом эффективности. С реальными значениями факторов за 2008 год.

Рисунок 17 Прогнозирование с помощью ядерной функции с учетом эффективности с реальными значениями

Процент ошибки составляет 1.7 процента. Прогнозирование с помощью ядерной функции с учетом эффективности и временем. Со значениями факторов заданными по умолчанию.

Рисунок 18 Прогнозирование с помощью ядерной функции с учетом времени и эффективности

Процент ошибки составляет 16 процентов. Прогнозирование с помощью ядерной функции с учетом эффективности и временем. С реальными значениями факторов за 2008 год.

Рисунок 19 Прогнозирование с помощью ядерной функции с учетом времени и эффективности с реальными значениями

Процент ошибки составляет 0.9 процента.

4.2 Исследование значения уровня преступности в зависимости от следственных мероприятий с учетом эффективности различных методов

Исследования производились с исходными данными, полученными в ГУВД Красноярского края.

Аналитическая сводная таблица данных использования специальных знаний сотрудников ЭКЦ (экспертно-криминалистического центра), при раскрытии и расследовании грабежей и разбойных нападений

Таблица 1 _ Следственные мероприятия

Год

Установ. единых источников происх.

преступлений по котор. дана роз. инф. при исп крим уч

Суд. Экс-тиз

Иссл-ний

Субъект. портретов

по др. учетам

всего следственных действий

без изъят. объект.

с изъят. объект.

2000

35

235

2256

114

56

0

4358

294

2489

2001

24

612

2435

176

78

0

5237

326

1953

2002

5

478

2288

142

93

0

3268

307

2704

2003

115

351

2859

186

101

31

6343

310

2761

2004

35

252

744

103

543

24

3622

774

1761

2005

33

259

908

115

774

4

5228

1086

2621

2006

66

378

965

135

767

19

5351

2975

2376

2007

40

295

1046

130

765

5

5415

1783

1890

2008

48

293

1012

154

844

4

4703

1823

1615

Таблица 2 _ Показатели преступности

161 всего (грабеж)

161 не раскрыто

161 раскрыто

162 всего (разбой)

162 не раскр.

162 раскр.

3275

1464

1846

960

348

740

3131

1486

1734

1015

338

734

3120

1499

1524

997

328

733

4635

2342

2014

928

406

603

4788

2501

2180

883

335

565

6830

3539

2615

1065

378

658

7294

4594

2878

1146

501

748

6387

3931

2978

947

356

648

5335

2903

2596

736

271

547

Анализ проводился на примере показателя «грабеж». В качестве факторов выступали следственные мероприятия, отсортированные по вкладу в формирование прогноза.

Прогнозирование на год вперед с помощью евклидова расстояния.

Сортировка факторов по вкладу:

Рисунок 20 Сортировка факторов по вкладу

Рисунок 21 Зависимость грабежей от исследований

Рисунок 22 Зависимость от следственных экспериментов

Рисунок 23 Зависимость от следственных действий

На основе проведенного анализа видно, что эффективность напрямую зависит от используемого метода, оптимальные показатели получаются при использовании смешанного метода — с учетом эффективности и времени. Наихудшие показатели получаются с использованием Евклидова расстояния.

Важную роль играет подбор значения факторов на прогнозируемый год, как видно из исследования, при оптимально подобранных значениях ошибка уменьшается до 1−3%, однако на практике подобрать значения показателей практически невозможно, поэтому ожидаемый процент ошибки при оптимальном подборе параметров и метода прогнозирования составляет 5−6%. Как видно из графиков наибольшее влияние на формирование фактора имеют показатели с наибольшим вкладом, что вполне обоснованно. Информация эксперимена является достаточной для построения определенных выводов по влиянию следственных мероприятий на формирование показателя преступности.

5. Экономическое обоснование работы

Целью данной дипломной работы является анализ использования специальных знаний в раскрытии разбойных нападений.

Направленность работы предполагает использование мощных ЭВМ, так как при построении алгоритма и оценке его эффективности требуется обработка значительных массивов данных. Для проведения исследований необходима разработка программного обеспечения, что в свою очередь требует материальных вложений, которые представляются в виде единовременных затрат. Расчёт затрат приводится в настоящем разделе.

5.1 Расчет единовременных затрат

Данная научно-исследовательская работа финансируется за счет собственных средств СФУ ИКиТ и предназначается для создания научного задела в разработках подобного рода, поэтому затраты на выполняемые работы устанавливаются на уровне ее плановой себестоимости и исчисляются по формуле:

З=С,(21)

где З — единовременные затраты, С — себестоимость.

5.2 Определение себестоимости работы

Целью планирования себестоимости проведения работы является экономически обоснованное определение величины затрат на ее выполнение. Определение затрат на НТП производится путем составления калькуляции плановой себестоимости. Калькуляция плановой себестоимости проведения работы составляется по следующим статьям затрат:

— основная заработная плата;

— дополнительная заработная плата;

— отчисления на социальные нужды;

— накладные расходы.

5.3 Расчет основной заработной платы

Статья «Основная заработная плата» включает выплаты по заработной плате, начисленные по должностным окладам научных сотрудников, специалистов, служащих, рабочих непосредственно занятых выполнением конкретной работы, а также заработная плата работников нештатного (не списочного) состава, привлекаемых к ее выполнению, премии за основные результаты хозяйственной деятельности, выплаты, обусловленные районным регулированием оплаты труда; по районным коэффициентам и надбавки к заработной плате за непрерывный стаж работы в районах Крайнего Севера и приравненных к ним местностям. Размер основной заработной платы устанавливается исходя из численности различных категорий исполнителей, времени, затрачиваемого ими на выполнение отдельных видов работ и их средней заработной платы за один месяц.

Согласно решению ученого совета срок выполнения работы — четыре месяца. Сотрудники, выполняющие данную работу, имеют следующие квалификации и соответствующие должностные месячные оклады ():

- Доцент НУЛ «АОИ»: =10 000 руб. ;

- Инженер 2 категории: =3280 руб.

Время работы сотрудников:

- Доцент НУЛ «АОИ»: 12 дней;

Среднедневная заработная плата работника i-й должности (ЗПср.д. i) определяется по формуле

,(22)

где — сумма месячных должностных окладов работников i-й должности, руб. ;

— среднее число рабочих дней в месяц

(в 2009 г.);

N — количество работников i-й должности.

Среднедневная заработная плата составит:

руб;

руб.

Вследствие того, что СФУ ИКиТ является бюджетной организацией, районный коэффициент составит 20% от суммы должностного месячного оклада, надбавка к заработной плате за непрерывный стаж работы в районах Крайнего Севера и приравненных к ним местностям составит 30% у доцента НУЛ «АОИ».

Расчёт основной заработной платы сведём в таблицу «Расчет основной заработной платы» (таблица 3).

Таблица 3 — Расчет основной заработной платы

Основные показатели

Исполнители работы

Доцент НУЛ «АОИ»

Инженер 2 кат.

Время занятости в работе, дн.

12

120

Среднедневная заработная плата, руб.

476,19

156,19

Сумма дневной заработной платы, руб.

5714,28

18 742,8

Районный коэффициент, руб.

1142,85

3748,56

Надбавка за непрерывный стаж работы

1714,28

-

Основная заработная плата, руб.

8571,41

22 491,36

Основная заработная плата работников, занятых выполнением данной работы, составит 31 062,77 руб.

5.4 Расчет дополнительной заработной платы

На статью «Дополнительная заработная плата» относятся выплаты, предусмотренные законодательством за не проработанное (не явочное) время: оплата очередных и дополнительных отпусков; компенсация на неиспользованный отпуск; оплата льготных часов подростков; оплата перерывов в работе кормящих матерей; оплата времени, связанного с прохождением медицинских осмотров; выполнение общественных и государственных обязанностей; выплата вознаграждения за выслугу лет. В научных учреждениях дополнительная заработная плата составляет 1115% от основной зарплаты, и определяется по формуле:

,(23)

где — основная заработная плата работников, руб. ;

— дополнительная заработная плата, руб. ;

— размер дополнительной зарплаты в процентах от основной заработной платы работников.

Дополнительная заработная плата для выполнения рассматриваемой работы при =11,2% составит:

руб.

5.5 Расчет отчислений на социальные нужды

На статью «Отчисления на социальные нужды» относится единый социальный налог (взнос), в состав которого входят обязательные отчисления:

- социальное страхование -- 2,9%;

- пенсионный фонд -- 20%;

- обязательное медицинское страхование -- 3,1%.

А также страховые взносы на обязательное социальное страхование от несчастных случаев на производстве и профессиональных заболеваний, размер которых для научных организаций на 2009 г. установлен 0,2% от фонда оплаты труда.

Размер отчислений на социальные нужды определяется по формуле

,(24)

где СН -- отчисления на социальные нужды, руб. ;

-- размер отчислений на социальные нужды в процентах от суммы основной и дополнительной заработной платы работников, непосредственно выполняющих работу.

Отчисления на соц. нужды для выполнения рассматриваемой работы составят:

руб.

5.6 Расчет накладных расходов

В статью «Накладные расходы» включаются расходы на управление и хозяйственное обслуживание, которые в равной степени относятся ко всем выполняемым работам. По этой статье учитываются заработная плата с начислениями во внебюджетные фонды аппарата управления и общехозяйственных служб, затраты на содержание, текущий и капитальный ремонты зданий, сооружений, оборудования и инвентаря, амортизационные отчисления на их полное восстановление, расходы по охране труда, научно-технической информации, изобретательству и рационализации и т. д.

Для планирования работы применяем способ, при котором величина накладных расходов на конкретный проект определяется в процентах от суммы всех затрат на разработку данного проекта, согласно формуле:

. (25)

Норматив накладных расходов по научной организации, где выполняется рассматриваемая работа, утвержден в размере 15% и составляет:

руб.

На основании полученных данных по отдельным статьям затрат составляется калькуляция плановой себестоимости в целом по работе, которая представлена в таблице 4:

Таблица 4 — Калькуляция плановой себестоимости проведения работы

Статья затрат

Сумма, руб.

Основная заработная плата

31 062,77

Дополнительная заработная плата

3479,03

Отчисления на социальные нужды

9049,95

Накладные расходы

6538,76

Итоговая плановая себестоимость работы

50 130,51

Таким образом, согласно формуле (21), затраты на выполнение данной работы составят:

З=50 130,51 руб.

Расчет затрат на выполнение работы в укрупненном виде приводится в таблице 5.

Таблица 5 — Укрупненный расчет договорной цены работы

Показатели

Обоз-ние

Источник информации и расчеты показателей

Работа, выполняемая за счет собственных средств, сумма, руб.

Основная заработная плата

Таблица 1

31 062,77

Дополнительная заработная плата

3479,03

Отчисления на социальные нужды

СН

9049,95

Накладные расходы

6538,76

Итоговая плановая себестоимость работы

С

всех статей затрат

50 130,51

В результате расчетов получена общая сумма единовременных затрат на разработку и выполнение работы «Разработка и исследование гибридных моделей восстановления стохастических зависимостей в условиях больших выборок», она составила 50 130,51рублей.

Данная дипломная работа не имеет прямого экономического эффекта. Однако проведенные исследования и полученные результаты могут быть использованы в дальнейшем при прогнозировании преступности региона, использованные алгоритмы можно применить в широком спектре задач прогнозирования. При этом станет возможной оценка и расчет экономического эффекта.

6. Безопасность производства

6.1 Характеристики рабочего помещения

Выполнение настоящего дипломного проекта связано с построением модели прогноза преступности с помощью коллективов решающих правил. Основная часть работы связана с работой на персональном компьютере (далее ЭВМ).

Результатом дипломной работы являются программный модуль прогноза, выполненный в среде Borland Developer Studio 2006. Полученный модуль будет использоваться в кабинете № 315, расположенном в СибЮИ МВД России, по адресу Маршала Рокоссовского, 20. схема кабинета представлена на рисунке.

Рисунок 24 — схема кабинета № 315 (1 — дверь, 2 — окно, 3 — светильник, 4 — стол, 5 — стул, 6 — персональный компьютер, 7 — шкаф)

Размеры кабинета: ширина — 3 м, длина — 6 м, высота — 3,5 м. Согласно СанПиН 2.2. 2/2.4. 1340−03 при использовании ПВЭМ с ВДТ на базе ЭЛТ (без вспомогательных устройств — принтер, сканер и др.), отвечающих требованиям международных стандартов безопасности компьютеров, с продолжительностью работы менее 4-х часов в день допускается минимальная площадь 4,5 м² на одно рабочее место пользователя (взрослого и учащегося высшего профессионального образования).

ПоказатьСвернуть
Заполнить форму текущей работой