The literature in the field of decision support shows that decision-making with the integration of knowledge from several sources is more effective than decision-making from a single source of knowledge in solving unstructured problems However, several issues regarding the knowledge integration should be considered to develop an intelligent system with the integration of knowledge. The first issue is to resolve the conflict among knowledge. The integration can provide the enhanced reasoning performance by combining knowledge from multiple sources, however the conflict among information and knowledge supported by these sources arises obviously where a case or an object may be associated with several knowledge creating conflicting situations. This may generate inconsistent knowledge and degrade the performance of an intelligent system when applied to solving an unstructured problem. Therefore, it has to be managed in a suitable way. The second issue is the generation of the optimized reasoning performance. Since the reasoning performance of the integration may be different according to the integration mechanisms, the integration should be achieved appropriately to generate the optimized results. The third issue is the acquisition of problem solving knowledge from human such as experts or users. Numerous studies on bankruptcy prediction have widely applied data mining techniques to finding out the useful knowledge automatically from financial databases, while few studies have proposed qualitative data mining approaches capable of eliciting and representing experts' problem-solving knowledge from experts' qualitative decisions. In an actual decision process, the discovery of knowledge from experts is still regarded as an important task because experts' predictions depend on their subjectivity.
The main objective of this research is to develop the mechanisms for the integration of knowledge from multiples sources. The integration mechanisms are based on fuzzy logic which is capable of dealing with the uncertainties involved in the unstructured problem. More specifically, this research proposes three mechanisms for the integration of knowledge from multiple sources such as machine knowledge, user knowledge and expert knowledge: 1) Fuzzy rule-driven approach, 2) Genetic algorithms-based approach and 3) Fuzzy genetic algorithm approach. The proposed mechanisms are applied for the prediction of the Korea stock price index (KOSPI). In the prediction of the KOSPI, machine knowledge is fuzzy membership function generated by applying a neural network to technical indicators. User knowledge and expert knowledge are also fuzzy membership function generated from the evaluations of external factors that affect the stock market.
Fuzzy rule-driven approach is proposed to integrate knowledge from multiple sources and resolve conflict in knowledge supported by these sources. It generates cooperative knowledge from different sources using fuzzy rules with the highest accuracy measure among conflicting group. We proved that the fuzzy rule-driven approach offers more accurate and less ambiguous reasoning performance by integrating knowledge from multiple sources and refining case-specific knowledge.
Genetic algorithms-based approach is proposed to generate the optimized reasoning performance through the integration of knowledge from multiple sources. It uses the weight vector obtained from genetic computation to generate CK from the combination of MK, EK, and UK.
Fuzzy genetic algorithms approach shows genetic evolutionary process to integrate multiples sources of knowledge. FGA approach has been developed to generate fuzzy rules for integrating knowledge.
Empirical results of the integration mechanisms show that these knowledge integration approaches result in more accurate and less ambiguous results. It means that these approaches can be useful in integrating knowledge from multiple sources for the unstructured environment such as the stock market.
Another objective is to propose a GA-based method to discover experts' decision rules from experts' qualitative decisions. The results of the experiment show that the genetic algorithm generates the rules which have the higher accuracy and larger coverage than inductive learning methods and neural networks. They also indicate that considerable agreement is achieved between the GA method and experts' problem-solving knowledge. This means that the proposed method is a suitable tool for eliciting and representing experts' decision rules and thus it provides effective decision supports for solving bankruptcy prediction problems.
의사결정 지원시스템의 문헌들은 비구조적인 문제를 해결함에 있어서 복수지식을 결합한 의사결정이 단일지식을 이용한 의사결정보다 효과적임을 보고하고 있다. 그러나 복수지식의 결합과 관련하여 다음과 같은 문제점이 제기되고 있다.
첫째, 서로 상충되는 결과를 나타낼 수 있는 지식간의 상충 문제이다. 비록 복수지식의 결합을 통하여 추론 성과는 향상되었지만 이러한 복수 원천에서 제공되는 지식이나 정보사이의 상충은 지능형 시스템의 일관성 있는 지식을 산출하지 못하며 지능형 시스템의 추론 성과를 향상시키지 못하는 주원인이라 할 수 있다.
둘째, 복수지식의 결합을 통하여 최적의 추론성과를 산출하는 문제이다. 복수지식의 결합모형의 추론성과는 지식결합 메커니즘의 구조에 따라 추론 성과가 달라지는바 최적의 결합알고리즘을 탐색하는 문제가 제기될 수 있다.
셋째, 복수지식 중 전문가 지식 등의 인간지식은 비정형적인 구조나 일관되지 않은 지식체계로 인하여 지식획득이 상당히 어려운 분야이다. 지식결합의 성과는 개별 지식의 성과에 크게 좌우되는바 전문가의 문제해결 지식을 발견하는 문제는 상당히 중요하다.
본 논문의 주 목적은 복수지식의 통합을 위한 지식결합 메커니즘의 개발이다. 본 논문의 지식결합 메커니즘은 비구적 문제의 특성이라 할 수 있는 불확실성을 다루기 위하여 퍼지 로직에 기반하고 있다. 더욱 구체적으로 본 논문은 기계 지식, 사용자 지식, 전문가 지식을 결합할 수 있는 다음과 같은 세 종류의 지식결합 메커니즘을 제안하고자 한다.
1)퍼지 룰 접근방법
2)유전자 알고리즘접근방법
3)퍼지-유전자 알고리즘 접근방법
제안된 메커니즘의 내적 타당성 및 외적 타당성을 검증하기 위하여 본 논문은 비구조적 문제의 하나인 '한국주가지수의 예측'을 하나의 응용사례로 삼고자 한다. 주가예측에 필요한 기계지식은 인공신경망을 주식시장의 기술지표에 적용하여 산출되며, 사용자 지식과 전문가 지식은 주식 시장에 영향을 미치는 외부 요인들에서 산출된다.
퍼지 룰 접근방법은 복수지식의 결합과 복수지식사이의 상충을 해결하기 위하여 제안되었다. 퍼지 룰 접근방법은 상충그룹에서 가장 높은 정확성을 지닌 퍼지 룰 집합들을 이용하여 이질적인 지식들에서 결합지식을 산출한다. 퍼지 룰 접근방법은 복수지식의 결합과 사례에 기반 지식의 정선을 통하여 판별 성과를 향상시키고 판별의 불확실성을 감소시켰음을 실험을 통하여 증명하였다.
유전자 알고리즘 접근방법은 복수지식의 결합을 통하여 최적의 추론 성과를 산출하기 위하여 제안된 것이다. 유전자 알고리즘 접근방법은 이질적인 지식들을 통합한 결합지식을 산출하기 위하여 유전자 알고리즘에 추출한 가중치들을 사용하고 있다. 실증검증의 결과는 유전자 알고리즘 접근방법의 결합효과는 최적의 결합결과를 나타냈지만 지식간의 상충을 해소하는 효과는 가지지 않은 것으로 나타났다.
퍼지-유전자 알고리즘 접근방법은 복수지식의 결합 및 복수 지식간의 상충을 제거하고 최적의 추론성과를 산출하기 위하여 제안된 접근 방법이다. 퍼지-유전자 알고리즘 접근방법은 지식간의 결합을 위하여 유전자 알고리즘에서 추출한 최적의 퍼지 룰 집합을 사용하였다. 실증검증에서는 퍼지-유전자 알고리즘 접근방법은 추론 성과의 정확성을 향상시키고 비구조적인 문제에 내재하는 불확실성을 감소시킨 것으로 나타났다.
본 논문은 전문가의 의사결정과정이 표현된 정성적 판단자료로부터 전문가의 지식을 추출하기 위한 유전자 알고리즘 기반의 정성적 데이터 마이닝 기법을 부가적인 목적으로 하고 있다. 실증검증과정에서 본 논문에서 제안한 기법은 인공신경망이나 귀납적 추론방법보다 보다 일관되고 정확한 지식을 추출하는 것으로 나타났다.
