Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Программно-математическое обеспечение автоматизации многокритериального выбора регрессионных моделей

Диссертация: Программно-математическое обеспечение автоматизации многокритериального выбора регрессионных моделей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Актуальность работы. Проблема качественного анализа разнородных статистических данных с целыо извлечения из них скрытых и неизвестных ранее знаний всегда была и продолжает оставаться актуальной. Одним из основных инструментов анализа данных является регрессионный анализ. Большой вклад в его создание и развитие внесли ведущие отечественные и зарубежные ученые С. А. Айвазян, А. Афифи, В. Б… Читать ещё >

Содержание

  • Глава 1. Анализ математического и программного обеспечения выбора структурной спецификации регрессионной модели
    • 1. 1. Регрессионный анализ как инструмент построения математических моделей
    • 1. 2. Проблема выбора структурной спецификации регрессионной модели
    • 1. 3. Методы отбора факторов в линейной регрессионной модели
    • 1. 4. Программное обеспечение выбора структурной спецификации регрессионной модели
    • 1. 5. Выводы
  • Глава 2. Математическое обеспечение процесса построения регрессионных моделей
    • 2. 1. Технология организации «конкурса» регрессионных моделей
    • 2. 2. Аддитивная регрессия
    • 2. 3. Линейно — мультипликативная регрессия
    • 2. 4. Выводы
  • Глава 3. Программное обеспечение реализации «конкурса» регрессионных моделей
    • 3. 1. Первая версия ПК АППРМ
    • 3. 2. Реализация численных методов для повышения эффективности ПК АППРМ VI
    • 3. 3. Выбор системы программирования для решения вычислительной задачи проведения «конкурса» регрессионных моделей
    • 3. 4. Вторая версия ПК АППРМ
    • 3. 5. Особенности работы в ПК АППРМ у
    • 3. 6. Выводы
  • Глава 4. Построение регрессионных моделей с помощью программного комплекса АППРМ у
    • 4. 1. Моделирование времени простоя грузовых поездов в парке участковых и сортировочных станций
    • 4. 2. Моделирование обстановки с пожарами в сельских населенных пунктах Тюменской области в условиях их газификации
    • 4. 3. Моделирование работы выпарного аппарата на большом промышленном предприятии
    • 4. 4. Моделирование состояния здоровья населения Иркутской области
    • 4. 5. Выводы

Программно-математическое обеспечение автоматизации многокритериального выбора регрессионных моделей (реферат, курсовая, диплом, контрольная)

Актуальность работы. Проблема качественного анализа разнородных статистических данных с целыо извлечения из них скрытых и неизвестных ранее знаний всегда была и продолжает оставаться актуальной. Одним из основных инструментов анализа данных является регрессионный анализ. Большой вклад в его создание и развитие внесли ведущие отечественные и зарубежные ученые С. А. Айвазян, А. Афифи, В. Б. Головченко, Е. З. Демиденко, К. Доугерти, Н. Дрейпер, С. А. Дубровский, И. С. Енюков, А. Г. Ивахненко, Дж. Кади, Л. Д. Мешалкин, Ф. Мостеллер, А. И. Орлов, Дж. Себер, Г. Смит, П. Хыобер, С. Эйзен и др.

В регрессионном анализе одной из центральных является проблема выбора структурной спецификации модели, т. е. состава независимых факторов и формы связи между ними, для решения которой в рамках анализа данных разработано целое множество критериев адекватности. При этом нерешенным остается вопрос, по какому именно критерию необходимо оценивать качество и осуществлять выбор уравнения регрессии. Для решения этой проблемы С. И. Носковым и его учениками предложена технология организации «конкурса» регрессионных моделей, в основе которой лежит многокритериальный подход для построения регрессии. В становление и развитие теории принятия решений, занимающейся вопросами решения многокритериальных задач, внесли существенный вклад отечественные и зарубежные ученые С. Н. Васильев, Э. И. Вилкас, Л. Гурвич, М. Зелены, Е. З. Маймипас, И. М. Макаров, В. Д. Ногин, В. В. Подиновский, Л. А. Растригин, К. Эрроу, Л. Ю и др.

Существующее специализированное программное обеспечение для построения регрессионных моделей имеет такие недостатки, как низкое качество или полное отсутствие процедур автоматизированного выбора уравнения регрессии, оценка адекватности моделей только по одному критерию, а также несоответствие полученных уравнений содержательному смыслу факторов. Учитывая быстродействие современных компьютеров, разработка программного комплекса (ПК), реализующего технологию организации «конкурса» регрессионных моделей, является актуальной и практически значимой.

Важной научной задачей, в соответствии со «Стратегией развития железнодорожного транспорта в Российской Федерации до 2030 года», является снижение совокупных транспортных издержек, к числу которых относится время простоя грузовых поездов в парке технических станций. Решение этой задачи путем построения адекватных регрессионных моделей позволит выявить новые функциональные зависимости и выработать рекомендации, призванные повысить эффективность функционирования железнодорожных станций.

Целью работы является разработка программно-математического инструментария автоматизации многокритериального выбора линейных по параметрам регрессионных моделей и применение его для повышения эффективности функционирования технических железнодорожных станций.

Успешное достижение указанной цели предполагает решение следующих задач:

1. Провести анализ эффективности современных программных средств и технологий автоматизированного построения статистических моделей регрессионного типа.

2. Расширить традиционный арсенал форм взаимосвязи между переменными в уравнении регрессии посредством зависимости линейно-мультипликативного вида.

3. Оценить вычислительную сложность стратегий полного перебора альтернативных вариантов линейно-мультипликативных и аддитивных регрессий.

4. Свести задачу поиска оптимальной формы линейно-мультипликативной регрессии к задаче частично-булевого линейного программирования.

5. Протестировать различные численные методы и алгоритмы и выбрать наиболее эффективный из них для решения вычислительной задачи проведения «конкурса» регрессионных моделей.

6. Разработать программный комплекс автоматизации процесса построения регрессионных моделей (АППРМ): выработать требования к комплексу, спроектировать его архитектуру, выбрать среду программирования, наполнить его программными модулями, реализующими эффективные численные методы и алгоритмы, разработать пользовательский интерфейс.

7. Построить регрессионную модель простоя грузовых поездов и на её основе выработать рекомендации по повышению эффективности работы технических железнодорожных станций.

Объектом исследования является процесс функционирования железнодорожных станций.

Предметом исследования является зависимость простоя грузовых поездов от параметров работы технических железнодорожных станций.

В связи с многоплановостью решаемых в работе задач использованы следующие методы исследования: регрессионный анализ, линейная алгебра, методы комбинаторного анализа, теория принятия решений, математическое программирование, в частности, методы решения задачи частично-булевого линейного программирования.

Научную новизну работы составляют и на защиту выносятся следующие результаты:

1. Впервые разработанный программный комплекс автоматизации процесса построения регрессионных моделей, позволяющий автоматически осуществлять многокритериальный выбор адекватных регрессий, удовлетворяющих содержательному смыслу входящих в них факторов.

2. Регрессионная модель простоя грузовых поездов, отличающаяся учетом совместного влияния параметров технических железнодорожных станций на показатель времени простоя.

3. Впервые полученные результаты тестирования численных методов для решения задачи организации «конкурса» регрессионных моделей, позволившие доказать эффективность метода Жордана-Гаусса, реализация которого существенно повысила скорость функционирования ПК АПГТРМ.

4. Ранее отсутствующая методика выбора стратегий построения аддитивных и линейно-мультипликативных регрессионных моделей, позволяющая при моделировании определять наиболее эффективную из них в зависимости от поставленной задачи.

Практическая значимость. Разработка программного комплекса АППРМ позволила создать инструментальное средство автоматизации основных этапов построения линейно-параметрических статистических моделей регрессионного типа. Построенная с его помощью регрессионная модель простоя грузовых поездов позволила выработать рекомендации по повышению эффективности обработки поездов в парках железнодорожных станций. Универсальность программного комплекса АППРМ заключается в его применимости для анализа объектов различной природы, что демонстрируется в работе на примере решения таких задач, как моделирование обстановки с пожарами, работы выпарного аппарата, а также заболеваемости населения Иркутской области. Программный комплекс АППРМ внедрен в ООО «СибВест» и ООО «Технический центр СИМПЛЕКС», а также в учебный процесс в «Иркутском государственном университете путей сообщения» по дисциплине «Моделирование систем».

Достоверность полученных результатов достигнута корректностью применения апробированных научных методов и использованием реальных данных для проведения исследований.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: Международной научной конференции «Актуальные проблемы науки и образования» (Куба, Варадеро, 2010 г.), Международной научной конференции «Современные наукоемкие технологии» (Испания, Тенерифе, 2010 г.), 2-й межвузовской научно-практической конференции «Транспортная инфраструктура Сибирского региона» (Иркутск, 2011 г.), региональной научно-методической конференции «Проблемы и перспективы развития регионального отраслевого университетского комплекса ИрГУПС» (Иркутск, 2011 г.), на многочисленных семинарах в Иркутском государственном университете путей сообщения.

Личный вклад. Основные результаты, составляющие научную новизну и выносимые на защиту, получены лично автором.

Публикации. Основные результаты исследований опубликованы в 10 работах, в том числе 2 в изданиях, рекомендованных ВАК. Для разработанного программного комплекса АППРМ получено свидетельство о регистрации программы на ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы, включающего 106 наименований, и 2 приложений. Общий объем диссертации составляет 153 страницы машинописного текста, содержит 16 рисунков и 15 таблиц.

4.5. Выводы.

В данной главе с использованием разработанного программного комплекса АППРМ у2.0 решена важная научно-техническая задача повышения эффективности работы участковых и сортировочных станций.

Помимо моделирования простоя грузовых поездов решены три задачи иллюстративного характера, демонстрирующие универсальность и эффективность ПК АППРМ у2.0:

1. Построены модели обстановки с пожарами в сельских населенных пунктах Тюменской области в условиях их газификации.

2. Построена модель работы выпарного аппарата на большом промышленном предприятии.

3. Построена модель заболеваемости населения Иркутской области.

Заключение

.

В диссертационной работе решена актуальная задача разработки программно-математического обеспечения автоматизации многокритериального выбора регрессионных моделей. При этом получены следующие результаты:

1. Проведен анализ специализированных программных средств и технологий автоматизации выбора структурной спецификации регрессионной модели, позволивший установить такие их недостатки, как низкое качество или полное отсутствие процедур автоматизированного выбора уравнения регрессии, использование при оценке адекватности модели только одного критерия, а также несоответствие построенных регрессий содержательному смыслу факторов.

2. Предложено линейно-мультипликативное представление регрессионных моделей, учитывающее совместное влияние входных переменных на выходной показатель. Проведена оценка вычислительной сложности стратегий полного перебора аддитивных и линейно-мультипликативных регрессий, позволяющая при моделировании осуществлять выбор наиболее эффективной из них для решения конкретной задачи. Задача построения линейно-мультипликативной регрессии сведена к задаче частично-булевого линейного программирования.

3. Разработан программный комплекс АППРМ у1.0, с помощью которого проведено тестирование численных методов для решения задачи организации «конкурса» регрессионных моделей, позволившее доказать эффективность метода Жордана-Гаусса, реализация которого существенно увеличила скорость функционирования комплекса. Программный комплекс АППРМ у1.0 зарегистрирован в реестре программ для ЭВМ. Разработан программный комплекс АППРМ у2.0, имеющий больше возможностей и позволяющий на основе многокритериального выбора строить адекватные модели, удовлетворяющие содержательному смыслу входящих в них факторов.

4. С помощью программного комплекса АППРМ у2.0 построена регрессионная модель простоя грузовых поездов в парке технических станций, позволившая выделить факторы, оказывающие наиболее существенное влияние на показатель простоя. Анализ полученной модели способствовал выработке рекомендаций по повышению эффективности функционирования железнодорожных станций. Также решены три реальные задачи моделирования, анализ результатов которых подтверждает универсальность и эффективность применения программного комплекса АППРМ у2.0 на практике.

Показать весь текст

Список литературы

  1. С.А., Енюков И. С., Мешалкнн Л. Д. Прикладная статистика: исследование зависимостей. -М.: Финансы и статистика, 1985. 487 с.
  2. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: Юнити, 1998. 1022 с.
  3. H.A. Возрастные особенности онкологической заболеваемости экспонируемого населения центра черной металлургии // Фундаментальные исследования, № 7, 2007. с. 52 — 54.
  4. Е.В., Лукьянов Ю. Е. Железнодорожные станции: Устройство и организация работы. М.: Интекс, 1996. — 351 с.
  5. А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. -М.: Мир, 1982.-486 с.
  6. Н.Б. Производственные функции в моделях экономического роста. -М.: Изд-во МГУ, 1981. 128 с.
  7. A.A., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. -336 с.
  8. Э. Практика эконометрики: классика и современность. Пер. с англ. под ред. проф. С. А. Айвазяна. М.: ЮНИТИ-ДАНА, 2005. — 863 с.
  9. Боровиков В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. 2-изд. СПб.: Питер, 2003. — 688 с.
  10. Ю.Браверман Э. М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. — 461 с.
  11. П.Бюль А., Цёфель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. Пер. с нем. СПб.: ООО «ДиаСофтЮП», 2005. — 608 с.
  12. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
  13. А.Н. Статистические модели регрессионного типа в экологии и медицине. Екатеринбург, 2006. — 256 с.
  14. Н.Васильев С. Н., Селедкин А. П. К построению пакета программ по принятию решений // Пакеты прикладных программ. Методы, разработки. -Новосибирск: Наука, 1981. с.132−140.
  15. С.Н., Селедкин А. П. Синтез функции эффективности в многокритериальных задачах принятия решений // Известия АН СССР. Тех. Кибернетика. 1980.-№ 3. — с. 186−190.
  16. Э.И., Майминас Е. З. Решения: теория, информация, моделирование. -М.: Радио и связь, 1981.-328 с.
  17. И., Бояджиева JL, Солаков Е. Прикладной линейный регрессионный анализ. М.: Финансы и статистика, 1987. 239 с.
  18. JI.A., Гаврилова Н. С. Биология продолжительности жизни. М.: Наука, 1991.-280 с.
  19. И. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001.-752 с.
  20. Ф.Р. Теория матриц. М.: Гостехиздат, 1953. — 491 с.
  21. Ю.П. Загрязнение окружающей среды и здоровье человека. М.: Новосибирск: СО РАМН, 2002. — 230 с.
  22. Ю.П. Экологическая обусловленность основных заболеваний и сокращение продолжительности жизни. Новосибирск, 2000. — 90 с.
  23. В.В., Рыбальский Н. Г. Здоровье человека и окружающая среда // Информационно-справочный бюллетень «Экологический вестник России», 1995. 59 с.
  24. Государственный доклад о состоянии и об охране окружающей среды Иркутской области за 2010 год. Иркутск: ООО Форвард, 2011. — 400 с.
  25. A.A., Бизяркина E.H. Совершенствование методов оценки экономического ущерба здоровью населения от загрязнения атмосферного воздуха // Экономика природопользования. № 2. Москва, 2009. с. 104 — 110.
  26. Е.З. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981. — 304 с.
  27. Е.З. Оптимизация и регрессия. М.: Наука, 1989. — 296 с.
  28. К. Введение в эконометрику. М.: ИНФРА-М, 2009. — 465 с.
  29. Дьяконов В.П. MATLAB. Основы применения. Изд-е 2-е, переработанное и дополненное. Библиотека профессионала. М.: «СОЛОН-Пресс», 2008. -800 с.
  30. A.C. Эконометрия и прогнозирование. М.: Экономика, 1985. -208с.
  31. Ю.И., Логинов С. И., Суходоев B.C. и др. Железнодорожные станции и узлы. М.: Издательский центр «Академия», 2006. — 336 с.
  32. А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка, 1981. — 296 с.
  33. Дж. Количественные методы в экономике.- М.: Прогресс, 1977.-247с.
  34. H.H. Численные методы. -М.: «Наука», 1978. 512 с.
  35. Г. Б. Производственные функции. М.: Финансы и статистика, 1986.-239 с.
  36. Г. Б., Смоляк С. А. Эконометрические зависимости: принципы и методы построения. М.: Наука, 2000. — 104 с.
  37. Д. Математическая обработка данных в социальных науках: современные методы: Пер. с англ. И. В. Тимофеева, Я.И. Киселева- науч. ред. О. В. Митина. -М.: Издательский центр «Академия», 2007. 288 с.
  38. М. Некоторые ловушки параметрической инференции // Квантиль. 2008.-№ 4. с. 1−6.
  39. A.B., Сакович В. А., Холод Н. И. Высшая математика: математическое программирование. Мн.: «Вышэйшая школа», 1994. — 286 с.
  40. О.В. Обобщенные пирамиды Паскаля и их приложения. -Новосибирск: Наука. Сиб. издат. фирма РАН, 2000. 294 с.
  41. . А. Как уменьшить загрязнение окружающей среды автотранспортом // Россия в окружающем мире, 2000.
  42. Г. Г., Гладских М. Н., Тюрикова Ю. Б. Антропогенные факторы окружающей среды и состояние здоровья населения // Ученые записки ОГУ, 2008. № 2. С.137−141.
  43. В. Комбинаторика для программистов. Под ред. А. П. Ершова. -М.: Издательство «Мир», 1988. -200 с.
  44. Я.Р., Катышев П. К., Пересецкий A.A. Эконометрика. Начальный курс. 6-е изд., перераб., и доп. — М.: Дело, 2004. — 576 с.
  45. Н.М. и др. Теория выбора и принятия решений,— М.: Наука, 1982.-392с.
  46. В.М., Головченко В. Б., Носков С. И. Моделирование и прогнозирование показателей социально-экономического развития области. -Новосибирск: Наука, 1991. 144 с.
  47. Ф., Тыоки Дж. Анализ данных и регрессия: В 2-х вып. Вып. 1 / Пер. с англ. Ю.Н. Благовещенского- Под. ред. и с предисл. Ю. П. Адлера. -М.: Финансы и статистика, 1982. 317 с.
  48. Ф., Тыоки Дж. Анализ данных и регрессия: В 2-х вып. Вып. 2 / Пер. с англ. Б.Л. Розовского- Под. ред. и с предисл. Ю. П. Адлера. М.: Финансы и статистика, 1982. — 239 с.
  49. В.И., Кушко В. А. Методы обработки измерений. Квазиправдоподобные оценки. -М.: Радио и связь, 1983. 304 с.
  50. В.В. Решение задач аппроксимации с помощью персональных компьютеров. М.: МИКАП, 1994. — 382 с.
  51. С.И. Технология моделирования объектов с нестабильным функционированием и неопределенностью в данных. Иркутск: Облинформпечать, 1996. — 320 с.
  52. С.И., Подушко В. Г., Удилов В. П. Газификация сельской местности: целевое программирование пожарной безопасности. Иркутск, 2001. — 150 с.
  53. А.И. Прикладная статистика. М.: Издательство «Экзамен», 2007. -672 с.
  54. А.И. Статистические пакеты инструменты исследователя. // Заводская лаборатория. Диагностика материалов. 2008, № 5, том 74, с.76−78.
  55. А.И. Теория принятия решений. М.: Экзамен, 2006. — 576 с.бО.Орлов А. И. Эконометрика. М.: Экзамен, 2004. — 576 с.
  56. В.В., Ногин В. Д. Парето-оптимальные решения многокритериальных задач. — М.: Наука, 1982.
  57. Привалова Л. И, Кацнельсон Б. А., Кузьмин C.B. и др. Экологическая эпидемиология: принципы, методы, применение. Екатеринбург, 2003. 277 с.
  58. Программа модернизации здравоохранения Иркутской области на 2011−2012 годы.
  59. Дж. Непараметрическая эконометрика: вводный курс // Квантиль. 2008.-№ 4. с.7−56.
  60. Распоряжение Правительства РФ от 17.06.2008 № 877-р «О Стратегии развития железнодорожного транспорта в Российской Федерации до 2030 года».
  61. Растригин J1.A. Системы экстремального управления, — М.: Наука, 1974.-632с.
  62. .А. «Горячие точки» химического загрязнения окружающей среды и здоровье населения России / под ред. В. М. Захарова. М.: Акрополь, Общественная палата РФ, 2007. — 192 с.
  63. .А. «Горячие точки» химического загрязнения окружающей среды и здоровье населения в городах России // Россия в окружающем мире, 2006. -с.108- 148.
  64. .А., Авалиани C.JL, Тихонова Г. И. Окружающая среда и здоровье населения: Региональная экологическая политика. Проект пособия. — М.: ЦЭПР, 2003.-149 с.
  65. М.Ф. Здоровье населения и окружающая среда // Сибирский медицинский журнал, 2010. № 3. С. 124−127.
  66. A.A., Михайлов А. П. Математическое моделирование: Идеи. Методы. Примеры. 2-е изд., испр. — М.: Физматлит, 2001. — 320 с.
  67. Дж. Линейный регрессионный анализ. Под ред. М. Б. Малютова. М.: Издательство «Мир», 1980. — 456 с.
  68. Г. А., Кучеренко О. Н. Применение метода регрессионного анализа к количественному описанию степени влияния загрязнения на здоровье населения // Вестник СевНТУ. Севастополь, 2008. — с. 188−191.
  69. В.М. Методы многомерного анализа статистических данных: учеб. пособие. М.: Финансы и статистика, 2008. — 400 с.
  70. В.А. Система построения и исследования производственных функций. // Системное моделирование, — Новосибирск: ВЦ СО АН СССР, 1989. с.146−162.
  71. О.С. Программное обеспечение для статистического анализа. // Заводская лаборатория. Диагностика материалов. 2008, № 5, том 74, с.68−74.
  72. H.K. Создание Windows-приложений с использованием математических процедур MATLAB. М.: ДМК-Пресс, 2008. — 456 с.
  73. В.В. Методы индуктивного порождения регрессионных моделей. М.: ВЦ РАН, 2008.-54 с.
  74. В.В. Поиск параметрической регрессионной модели в индуктивно заданном множестве // Вычислительные технологии. Том 12, № 1, 2007. — с.93−102.
  75. В.В., Крымова Е. А. Методы выбора регрессионных моделей. Вычислительный центр РАН. Москва, 2010.
  76. Суперкомпьютерные технологии в науке, образовании и промышленности / Под редакцией: академика В. А. Садовничего, академика Г. И. Савина, чл,-корр. РАН Вл.В. Воеводина.-М.: Издательство Московского университета, 2009.-232 с.
  77. В.И., Ибрагимов Н. М., Талышева Л. П., Цыплаков A.A. Эконометрия. Новосибирск: СО РАН, 2005. — 744 с.
  78. Ю.Н., Макаров A.A. Анализ данных на компьютере / Под ред. В. Э. Фигурнова. 3-е изд., перераб. и доп. — М.: ИНФРА-М, 2003. — 544 с.
  79. Э., Рёнц Б. Методы корреляционного и регрессионного анализа. -М.: Финансы и статистика, 1983. 304 с.
  80. Д.Э., Уичерн Д. У., Райте А.Дж. Бизнес-прогнозирование. М.: Издательский дом «Вильяме», 2003. — 656 с.
  81. Д., Рафтер Дж. и др. XML. Базовый курс М.: Вильяме, 2009. — 1344 с.
  82. В. Прикладная непараметрическая регрессия: Пер. с англ. М.: Мир, 1993.-349 с.
  83. И.А. Экономим на расчетах // Мир ПК, № 7, 2007. С. 52−55.
  84. П. Робастность в статистике М.: Мир, 1984. — 304 с.
  85. Дж., Мичтом Дж. Структурный подход к программированию. Под ред. В. Ш. Кауфмана. М.: Издательство «Мир», 1980. — 280 с.
  86. . Нетрадиционные методы многомерного статистического анализа: Сб. статей: Пер. с англ ./Предисловие Ю. П. Адлера, Ю. А. Кошевника. М.: Финансы и статистика, 1988. — 263 с.
  87. Chen S., Cowan С. F. N., Grant P. М. Orthogonal least squares learning algorithm for radial basis function network // Transaction on neural network. 1991. Vol. 2, no. 2. Pp. 302−309.
  88. Chen Y. W., Billings C. A., Luo W. Orthogonal least squares methods and their application to non-linear system identification // International Journal of Control. 1989. Vol. 2, no. 50. Pp. 873−896.
  89. Draper, N.R. and Smith, H. (1998). Applied Regression Analysis. Wiley Series in Probability and Statistics.
  90. Edirisooriya G. Stepwise regression is a problem, not a solution // The Annual Meeting of the Mid-South Educational Research Association. Biloxi, 1995.
  91. Efron В., Hastie Т., Johnstone I., Tibshirani R. Least angle regression // The Annals of Statistics. 2004. Vol. 32, no. 3. Pp. 407−499.
  92. Efroymson M. A. Multiple regression analysis. New York: Ralston, Wiley, 1960.
  93. Freedman D.A. Statistical Models: Theory and Practice. Cambridge University Press, 2005.-p. 414.
  94. Giudici P. Applied data mining: statistical methods for business and industry. Wiley, 2003.-p. 379.
  95. Greene W.H. Econometric analysis. New York University, 2002. p. 994.
  96. Hastie Т., Tibshirani R., Friedman J. The Elements of Statistical Learning. -Springer, 2001.
  97. Miller A.J. Subset selection in regression / Alan Miller. 2nd ed. Chapman & Hall/CRC, 2002. — p. 247.
  98. Rawlings J.O., Pantula S.G., Dickey D.A. Applied regression analysis: a research tool. Springer, 2001. p. 671.
  99. Renfro C.G. A compendium of existing econometric software packages // Journal of Economic and Social Measurement. 2004, № 29. p. 359−409.
  100. Tibshirani R. J. Regression shrinkage and selection via the lasso // Journal of the Royal Statistical Society. Series В (Methodological). 996. Vol. 58, no. 1. Pp. 267−288.
  101. Weisberg S. Applied linear regression. 3rd ed. Wiley-Interscience, 2005. — p. 310.
  102. М.П., Носков С. И. Алгоритм построения линейно-мультипликативной регрессии // Современные технологии. Системный анализ. Моделирование. Иркутск, 2011. — № 1(29). — С. 88−92.
  103. М.П., Носков С. И. Методические и инструментальные средства построения некоторых типов регрессионных моделей // Системы. Методы. Технологии. Братск, 2012. — № 1(13). — С. 80−87.
  104. М.П., Носков С. И. Технология организации конкурса регрессионных моделей // Информационные технологии и проблемы математического моделирования сложных систем. Иркутск, 2009. — Вып. 7. — С. 77−84.
  105. С.И., Базилевский М. П. Программный комплекс автоматизации процесса построения регрессионных моделей // Международный журнал прикладных и фундаментальных исследований. Москва, 2010. — № 1. — С. 93−94.
  106. М.П., Носков С.И. Алгоритм формирования множества регрессионных моделей с помощью преобразования зависимой переменной
  107. Международный журнал прикладных и фундаментальных исследований. -Москва, 2011. № 3. с. 159−160.
  108. М.П. Автоматизация процесса построения линейно-мультипликативных регрессионных моделей // Материалы второй межвузовской научно-практической конференции «Транспортная инфраструктура Сибирского региона». Иркутск, 2011. — С. 325−328.
Заполнить форму текущей работой

На отлично!