Within this elaboration a generic system, subsequently referred to as System applying High Order Computational Intelligence in Data Mining (SHOCID), applying Computational Intelligence-paradigms, methods and techniques in the field of Data Mining, is being introduced. Currently available Data Mining systems are usually targeted on particular problem statements and require the user to understand how the underlying paradigms work, in contrary to the introduced one. SHOCID does not only fall back on complex Data Mining and Computational Intelligence techniques; it additionally does not require the user to understand how the result of a mining process is being achieved. Depending on the problem, the system is able to combine techniques and is, in some degree, able to decide on its own which strategy suits best. Within this elaboration known but adapted, as well as new approaches to Data Mining are being introduced, with focus on genericity and result-orientation for highlighting the aim of the research project: the provision of highly complex Computational Intelligence-techniques for mining data without the necessity of understanding these, implemented through a result-oriented interface and based on generic system architecture. The system's advantages are brought out by detailing one of its combinatorial data processing strategies as well as by describing algorithmically how training data for Feed Forward Artificial Neural Networks is synthesized. Finally, we provide an outline of the implemented techniques with focus on how the system makes use of them, always focusing on genericity.

When trying to solve classification or time-series prediction problem statements by the application of Artificial Neural Networks (ANNs), commonly applied structures like feed forward or recurrent Multi-Layer Perceptrons (MLP) characteristically tend to come up with bad performance and accuracy. This is especially the case when dealing with manifold datasets containing numerous input (predictors) and/or targetattributes and independent from the applied learning methods, activation functions, biases, etc... The cortical ANN, inspired by theoretical aspects of the human consciousness and its signal processing, is an ANN structure having been developed during the research phase of the “System applying High Order Computational Intelligence” (SHOCID) project. Due to its structure, redundancy and error-tolerance is being created, which helps to elude the latterly mentioned problems. Within this elaboration, the cortical ANN is being introduced, as well as an algorithm for evolving this special ANN types' structure until the most suitable solution has been detected.

Transgenetic algorithms can be used for performing a stochastic search by simulating endosymbiotic interactions between a host and a population of endosymbionts as well as information exchange between the host and endosymbionts by agents. The already introduced, computationally intelligent Data Mining system "System applying High Order Computational Intelligence in Data Mining” (SHOCID) applies such for Artificial Neural Network (ANN) learning by the combination of one of its learning approaches with a host organism, serving as genetic pool, and transgenetic vectors. The application of an algorithm combining horizontal gene transfer between a host and a symbiont is a completely new ANN learning approach, which increases both learning performance and accuracy to a considerable degree. A further advantage is that the application of transgenetic vectors massively increases the chance of reaching the desired stopping criteria (like a minimum Root Mean Squared Error [RMSE]) instead of abort criteria (like the evolutionary stop after 5,000 generations without improvement although the desired have not been fulfilled), as even learning algorithms like back propagation cannot oscillate or get stuck in local minima due to the inescapable transfer of host genetic material.

This paper presents the structure of buffering application used to store measurement information in an industrial monitoring software system. The buffering application is residing on the data acquisition computers and saves the values of the monitored measures in the unfortunate case of a network failure between the acquisition and server computers. Several development options are presented (with advantages and disadvantages) and compared using a multi-criteria analysis. These development options are: the use of Microsoft's Message Queuing System (MSMQ) and developing an application that will use as storage for the measured values files or a database.