Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Интегрированная информационно-аналитическая система для прогнозирования свойств неорганических соединений

Диссертация: Интегрированная информационно-аналитическая система для прогнозирования свойств неорганических соединений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Целью исследования была разработка интегрированной информационно-аналитической системы для поддержки принятия решений при прогнозировании свойств неорганических соединений на основе разнородных информационных источников и различных методов, алгоритмов и программ анализа данных. Применение информационно-аналитической системы сокращает время и затраты на поиск новых неорганических соединений… Читать ещё >

Содержание

  • ГЛАВА 1. СРЕДСТВА И ТЕХНОЛОГИИ, ПРИМЕНЯЕМЫЕ ПРИ РАЗРАБОТКЕ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ
    • 1. 1. Принципы создания информационно-аналитических систем
      • 1. 1. 1. Назначение ИАС
      • 1. 1. 2. Обзор исследований по созданию ИАС в области неорганического материаловедения
      • 1. 1. 3. Состав архитектуры ИАС, построенной на базе хранилища данных. 13″
      • 1. 1. 4. Методика интеграции информационных источников в ИАС
      • 1. 1. 5. Анализ данных
      • 1. 1. 6. Knowledge Discovery in Databases
      • 1. 1. 7. Сравнение экспертных и партнерских систем
      • 1. 1. 8. Web-портал
    • 1. 2. Технологии интеграции программных систем
      • 1. 2. 1. Подходы к интеграции
      • 1. 2. 2. Классификация способов взаимодействия интегрируемых программных систем
      • 1. 2. 3. Применение сервисно-ориентированной архитектуры при проектировании ИАС
      • 1. 2. 4. Web-сервисы. Современный подход к задачам интеграции
      • 1. 2. 5. Принципы Web-интеграции
    • 1. 3. Методы анализа данных, применяемые в ИАС
      • 1. 3. 1. Постановка задачи распознавания образов
      • 1. 3. 2. Выбор методов распознавания образов для использования в ИАС
      • 1. 3. 3. Методы обучения ЭВМ распознаванию образов
      • 1. 3. 4. Способы повышения достоверности прогнозов
    • 1. 4. Выбор программной платформы для^ разработки ИАС
  • Краткие
  • выводы
  • ГЛАВА 2. РАЗРАБОТКА ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ СИСТЕМНОГО ПОДХОДА
    • 2. 1. Предпосылки создания ИАС
    • 2. 2. Компонентный состав ИАС
    • 2. 3. Поддержка принятия решений при прогнозировании параметров химических соединений
      • 2. 3. 1. Основные принципы системного анализа
    • 2. 3. 2. Описание процедуры прогнозирования с помощью методов. структурного системного анализа
      • 2. 3. 3. Концептуальная модель данных
    • 2. 4. Этапы процедуры прогнозирования
  • Краткие
  • выводы
  • ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ИНТЕГРИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ5.'.'.:.:. ш
    • 3. 1. Разработка базы данных «Фазы»
  • З Л Л. Разработка структуры БД
    • 3. 1.2. Система удаленного доступак-БД!"Фазы"
      • 3. 1. 3. Административная часть БД «Фазы
      • 3. 1. 4. Интеграция БД-„Фазы“ с другими’БД
      • 3. 2. База данных по свойствам химических элементов „Элементы“
      • 3. 2. 1. Разработка структуры БД
    • I. 3.212! Разработкаадминистративной’системы
    • 3. 2.3. Система удаленного, доступа к БД „Элементы“ v
      • 3. 3. Подсистема визуализации данных.102″
    • I. ' 3:3.1. Предпосылки созданиям под системы. 102-'
      • 3. 3. 2. Визуализация данных
      • 3. 3. 3. Визуализация многомерных данных., ' '
      • 3. 4. Интеграция программ анализа данных
    • I. 3.4.1. Взаимодействие с программами анализа данных
    • 3. 4.2. Справочная база для-интеграции
    • I. 3.4.3. Механизм интеграции
    • I. 3.5. Механизм обучении и распознавании
    • I. 3.5Л. Подготовка данных для анализа
      • 3. 5. 2. Заполнение пропусков в выборках для обучения и прогнозирования
      • 3. 5. 3. Повышение достоверности прогнозов за счет использования коллектива f признаковых описаний-.-.».Л
      • 3. 5. 4. Обучение системы
      • 3. 5. 5. Проведение прогнозирования
    • I. 3.5.6. Пользовательский уровень работы с ИАС
    • I. Краткие
  • выводы
    • 1. ' ¦ I
  • ГЛАВА 4. ПРИМЕНЕНИЕ ИНТЕГРИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ДЛЯ ПРОГНОЗИРОВАНИЯ НОВЫХ НЕОРГАНИЧЕСКИХ СОЕДИНЕНИЙ
    • 4. 1. Компьютерное конструирование новых неорганических соединений состава АВХ2 (X = S, Se, Те)
      • 4. 1. 1. Прогноз возможности образования соединений состава АВХ2 при нормальных условиях
      • 4. 1. 2. Прогноз типа кристаллической структуры соединений состава АВХ при нормальных условиях
      • 4. 1. 4. Прогноз температуры плавления соединений состава ABD2 при атмосферном давлении
    • 4. 2. Прогноз возможности образования и типа кристаллической структуры соединений состава ABF
    • 4. 3. Предложения по дальнейшему развитию ИАС
  • Краткие
  • выводы

Интегрированная информационно-аналитическая система для прогнозирования свойств неорганических соединений (реферат, курсовая, диплом, контрольная)

Появление многочисленных баз данных в различных предметных областях поставило перед специалистами вопрос их рационального использования не только для информационного обслуживания, но и для анализа хранящихся в них данных с целью выявления зависимостей и прогнозирования неизвестных значений. Одно из наиболее перспективных и актуальных направлений связано с разработкой информационно-аналитических систем (ИАС), объединяющих базы данных с программами анализа данных. С помощью таких систем, в частности, удается найти взаимосвязи между различными объектами и выявить закономерности, присущие предметной области информационно-аналитической системы. ИАС автоматизирует хранение и изменение информации, подготовку данных для анализа, проведение прогнозирования, визуализацию и отображение результатов. Для повышения достоверности прогнозов целесообразно использовать в ИАС набор программ анализа данных, включающих алгоритмы с различными принципами работы. В связи с этим перспективной задачей является интеграция множества программ анализа данных. Перспективным является проведение интеллектуального анализа данных с применением программных решений не только в локальной среде, но и в сети Интернет.

Поиск новых неорганических материалов с заданными свойствами — одна из важнейших проблем химии. Эта многоуровневая (в системном смысле) проблема включает в себя множество частных вопросов: научных, технологических, технико-экономических и т. д. На уровне химии и химической технологии можно выделить следующие взаимосвязанные задачи: поиск составов, оценка свойств, выбор технологии получения материалов и поиск оптимальных технологических режимов синтеза и обработки материалов. Актуальность создания ИАС в области неорганического материаловедения вызвана стремлением облегчить и ускорить поиск новых неорганических веществ, перспективных для практических применений. Использование ИАС дает возможность найти взаимосвязи между фундаментальными свойствами неорганических соединений и фундаментальными свойствами химических элементов. Применение найденных взаимосвязей позволяет проводить прогнозирование образования неорганических соединений и оценивать их различные свойства без реального синтеза этих соединений, то есть решает первую из трех задач по поиску новых материалов. Цель работы.

Целью исследования была разработка интегрированной информационно-аналитической системы для поддержки принятия решений при прогнозировании свойств неорганических соединений на основе разнородных информационных источников и различных методов, алгоритмов и программ анализа данных. Применение информационно-аналитической системы сокращает время и затраты на поиск новых неорганических соединений и прогноз их свойств. без реального синтеза.

Для достижения цели работы были решены следующие задачи:

• рассмотрены принципы построения современных ИАС;

• на основе системного подхода разработана архитектура ИАС и приведеt ны детализированные диаграммы этапов ее работы при прогнозировании параметров неорганических соединений;

• разработана концептуальная модель данных для прогнозирования параметров неорганических соединений;

• проведен обзор методов распознавания образов, применяемых в ИАС, и способов повышения достоверности прогнозов;

• проанализированы и систематизированы современные подходы к интеграции программ;

• осуществлен выбор программной платформы для построения информационно-аналитической системы;

• предложена и применена методика интеграции разнородных программ анализа данных в ИАС;

• разработана ИАС в виде программного комплекса и осуществлена ее апробация на реальных данных.

Научная новизна работы состоит в следующем:

• выполнен системный анализ информационных процессов в области прогнозирования свойств неорганических соединений и разработана архитектура информационно-аналитической системы;

• для повышения качества прогнозирования обосновано принятие коллективного решения по различным сочетаниям алгоритмов и признаковых наборов;

• предложен и реализован подход к обработке пропусков в выборках для обучения и прогноза с учетом специфики предметной области;

• предложены методика и технологии включения в ИАС программ анализа данных с различными принципами работы;

• впервые в данной предметной области проведена интеграция в единую систему разнородных информационных компонентов — системы, баз данных и программ анализа данных, учитывающую априорно назначаемые и возникающие и фиксируемые в виртуальном эксперименте новые связи и обеспечивающую аналитическую и информационно-технологическую гибкость, вычислительную эффективность.

Практическая ценность.

Теоретические исследования завершены созданием на их основе алгоритмического и программного обеспечения ИАС. Практическая ценность подтверждена в ходе использования результатов работы специалистами Института металлургии и материаловедения им. А. А. Байкова Российской Академии наук (ИМЕТ РАН).

На разработанную информационно-аналитическую систему было получено свидетельство об отраслевой регистрации! разработки в Общероссийском Фонде Алгоритмов и Программ (ОФАП) [31].

Результаты работы, имеющие практическую ценность:

• разработанные методы и алгоритмы применены при создании информационно-аналитической системы для компьютерного конструирования неорганических соединений, перспективных для практических применений;

• разработано программное обеспечение баз данных «Фазы» и «Элементы» и проведена их интеграция с другими базами данных, разработанными в ИМЕТ РАН;

• разработанная в диссертации информационно-аналитическая система внедрена в практику работы ИМЕТ РАН;

• применение ИАС позволяет сократить время и затраты на поиск новых неорганических соединений;

• полученные в диссертации результаты могут быть использованы для создания информационно-аналитических систем и в других предметных областях.

Методы исследования.

Структуризация и формализация предметной области и разработка архитектуры ИАС выполнены на основе методов системного анализа. При разработке интегрированной. ИАС использованы теория построения БД, принципы «сервисно-ориентированного подхода» и Web-технологии. Для анализа данных использованы программы и алгоритмы распознавания образов. Структура диссертации.

Диссертация состоит из введения, 4 глав и заключения.1 В первой главе рассматриваются принципы построения современных ИАС, исследования по созданию ИАС в области неорганического материаловедения, современные технологии интеграции программ, основные методы распознавания образов, применяемые в ИАС, и программные платформы для построения интегрированной ИАС. Во второй главе на основе системного подхода разработана архитектура ИАС и проведена детализация структурных диаграмм, описывающих отдельные этапы процедуры прогнозирования свойств неорганических соединений. В третьей главе предложена методика интеграции в ИАС программ анализа данных, описана реализация интегрированной ИАС в виде программного комплекса, включая разработанные информационные системы и вспомогательные подсистемы, вошедшие в состав ИАС. Также с учетом специфики предметной области предложен и реализован подход к обработке.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

В диссертационной работе получены следующие результаты: на основе исследования принципов построения современных ИАС и системного подхода разработана архитектура ИАС и детализированные диаграммы этапов работы ИАС при прогнозировании параметров неорганических соединенийразработана, реализована и внедрена в ИМЕТ РАН информационно-аналитическая система, включающая интегрированные программы анализа данных и предназначенная для прогнозирования параметров неорганических соединенийразработана концептуальная модель данных для прогнозирования параметров неорганических соединенийпроанализированы основные методы распознавания образов, используемые в ИАС, отмечены особенности работы этих методов и способы повышения достоверности результатов прогнозированияразработана технология хранения и дальнейшего использования полученных экспертом в ходе работы с ИАС закономерностейдля повышения качества прогнозирования обосновано принятие коллективных решений по различным алгоритмам и признаковым наборамза счет этого достоверность осуществляемого прогноза увеличилась в среднем на 10%- с учетом специфики предметной области предложен и реализован подход к обработке пропусков в выборках для обучения и прогнозаразработана архитектура системы, которая позволяет пользователям инициировать длительное по времени выполнение ресурсоемких операций, контролировать степень их выполнения в асинхронном режимеприменение асинхронных процессов повышает скорость и эргономическую адекватность ИАС при решении целевой задачи прогнозирования параметров неорганических соединенийразработаны методика интеграции программ анализа данных в ИАС и требования к адаптерам для включаемых в нее программна базе Web-интерфейса разработана подсистема визуализации результатов анализа данных^ повышающая функциональность интерфейса аналитика-эксперта-проведены эксперименты по применению ИАС для прогнозирования свойств неорганических веществ.

На основе анализа полученных результатов сделаны следующие выводы: Эффективность процедуры: поддержки принятия прогностических решений требует учета специфики процесса синтеза, соединений, его условий и ограничений-, специфики анализиру емых химических данных .(неполнота, некорректность и т. п.).

Достоверность результатов прогнозированиясущественно зависит от представительности обучающей выборки, • удачного: сочетания^ методов анализа данных и их настройки, выбранных признаков для формирования описаний объектов^.

На основе анализаполученных результатов сделан вывод о перспективности-: использования созданной ИАС и разработанных информационных технологий принятия прогностических решений;

Концепция построения ИАС, включающей в себя разнородные источники данных и средства анализа информации, и методика интеграции этих программных и информационных компонентов могут быть применены в других предметных областях, например, в области медицины и здравоохранения;

Показать весь текст

Список литературы

  1. Айвазян, С А. Прикладная статистика и основы эконометрики: Учеб. для вузов / С. А. Айвазян, В. С. Мхитарян. -М.: ЮНИТИб, 1998. — 1022 с.
  2. Т. Статистический анализ временных рядов / Т.Андерсон. М.: Мир, 1976.-760 с.
  3. Асинхронный доступ к веб-службам XML в управляемом коде / Microsoft Доступно на: http://msdn.microsoft.com.
  4. Вавилов, К. Web-интеграция корпоративных систем / К. Вавилов, С.Щербин. Доступно на: http://www.profi-club.kiev.ua
  5. , А. Технология XSLT / А.Валиков. СПб.: БХВ-Петербург, 2002. -544 с.
  6. , В.Н. Теория распознавания образов. / В. Н. Вапник, А. Я. Червоненкис. -М.: Наука, 1974.-415 с.
  7. , Д.П. Алгоритмы выбора моделей и построения коллективных решений в задачах классификации, основанные на принципе устойчивости / Д. П. Ветров, Д. А. Кропотов. М.: КомКнига, 2006. — 112 с.
  8. , Д.П. О синтезе корректных алгоритмов распознавания с минимальной величиной неустойчивости / Д. П. Ветров // ЖВМ и МФ, 2003. Том 43, № 11.-С. 1754−1760.
  9. , И. Анализ и Обработка Данных: специальный справочник / ИГайдышев. СПб: Питер, 2001. — 752 с.
  10. , В.П. Партнерство с компьютером / В. П. Гладун. Киев: Port-Royal, 2000.-119 с.
  11. , В.П. Процессы формирования новых знаний / В. П. Гладун. София: СД «Педагог 6», 1995.- 192 с.
  12. , В.П. Растущие пирамидальные сети / В. П. Гладун // Новости искусственного интеллекта. 2004. — № 1.
  13. , Д.П. Обобщение и познание / Д. П. Горский. М.: Мысль, 1985. -208 с.
  14. , К., Сарсон Т. Структурный системный анализ средства и методы. В 2-х частях / К. Гэйн, Т. Сарсон- пер. с англ. под ред. А. В. Козлинского. М.: Эй-текс, 1993.-310 с.
  15. , П. Распознавание образов в химии / П. Джурс, Т.Айзенауэр. — М.: Мир, 1977.-230 с.
  16. , A.M. Обработка статистических данных методом главных компонент / A.M.Дубров. М.: Статистика, 1978. — 135 с.
  17. , Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт — М.: Мир, 1976.-511 с.
  18. , В.А. Интегрированная система баз данных по свойствам материалов для электроники / В. А. Дударев, Н. Н. Киселева, В. С. Земсков. //, Перспективные материалы. 2006. — № 5. — С. 20−25.
  19. , Ю.И. Алгоритмы распознавания, основанные на вычислении оценок / Ю. И. Журавлев, В. В. Никифоров // Кибернетика. 1971. — № 3. — С. 1−11.
  20. , Ю.И. «Распознавание». Математические методы. Программная система. Практические применения / Ю. И. Журавлев, В. В. Рязанов, О. В. Сенько. -М.: Фазис, 2006. 176 с.
  21. , Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации / Ю. И. Журавлёв // Проблемы кибернетики. 1979. -Т. 33.-С. 5−68.
  22. , Н.Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко. Новосибирск: изд-во Ин-та математики, 1999. — 269 с.
  23. , А.Г. Моделирование сложных систем по экспериментальным данным / А. Г. Ивахненко, Ю. П. Юрачковский. М.: Радио и связь, 1987.
  24. Искусственный интеллект: применение в химии / Под ред. Т. Пирса и Б.Хони. М.: Мир, 1988. — 428 с.
  25. Калянов, Г. Н. CASE. Структурный системный анализ (автоматизация и применение) / Г. Н. Калянов. М.: ЛОРИ, 1996. — 242 с.
  26. , В.В. Системный анализ процессов химической технологии / В. В. Кафаров, И. Н. Дорохов. М., Наука, 1976. — 500 с.
  27. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О.Ким, Ч. У. Мьюллер, У. Р. Клекка, М. С. Олдендерфер, Р. К. Блэшфилд. М.: Финансы и статистика, 1989. — 215 с.
  28. , Н.Н. База данных по свойствам тройных неорганических соединений «Фазы» в сети Интернет / Н. Н. Киселева, А. В. Столяренко., Д. П. Мурат, В. А. Дударев, В. В. Подбельский, В. С. Земсков. Информационные ресурсы Россиию. — 2006. — N.4. — С. 21−23.
  29. Н.Н., Столяренко А. В. Информационно-аналитическая система для компьютерного конструирования неорганических соединений. М.: ВНТИЦ, 2008. — № 50 200 800 200.
  30. , Н.Н. Компьютерное конструирование неорганических соединений: использование баз данных и методов искусственного интеллекта / Н. Н. Киселева. М.: Наука, 2005. — 289 с.
  31. Дж. Системология. Автоматизация решения системных задач: Пер. С англ. М.: Радио и связь, 1990. — 544 с.
  32. , В.В. Базы данных. Интеллектуальная обработка информации / В. В. Корнеев, А. Ф. Гареев, С. В. Васютин, В. В. Райх. — М.: Издатель Молгачева• С.В., 2001.- 495 с.
  33. , В.Б. Сложные халькогениды в: системахaibiiicvi 7 в б лазарев5
  34. Киш, Е. Ю. Переш, Е. Е. Семрад. М.: Металлургия, 1993.-240 с.
  35. , О.И. Качественные: методы принятия решений / О. И. Ларичев, Е. М. Мошкович. —М.: Наука. Физматлит, 1996. 208 с.
  36. Литтл, Р.Дж.А. Статистический анализ данных с пропусками:'пер- с англ. / Р. Дя<.А.Литтл, Д. Б:Рубин. -М.: Финансы и статистика, 1990. 336 с.
  37. Липаев, В-В. Технико-экономическое обоснование проектов- сложных программных средств / В. В. Липаев. М.: Синтег, 2004. — 284 с.
  38. , В.Д. Комитеты- системы неравенств и задача распознавания / В. Д. Мазуров // Кибернетика. 1971. — № 3. ^
  39. , Д.А. Методология структурного анализа и проектирования / Д. А. Марка, К. МакГоуэн- пер. с англ. -М.: МетаТехнология, 1993. 240 с:
  40. , Э. Всб-сервисы: XML, WSDL, SOAP и UDDI / Э.Ныокомер. -Изд.: Питер, 2003. 256 с.
  41. Обзор OLAP-продуктов для Web- Доступно на: http://wwwxitforum.ru.
  42. , С. Приобретение знаний / С. Осуга, Ю.Саэки. М.: Мир, 1990. — 304 с.
  43. , Г. С. Искусственный интеллект основа новой информационной ' технологии / Г. С. Поспелов. — М.: Наука, 1988. — 279 с.
  44. , В.В. Абстракции в проектировании баз данных /
  45. B.В.Пржиялковский // Системы управления базами данны. 1998. — № 1−2.1. C. 90−97.
  46. , JI. Коллективные правила распознавания / Л. Растригин, Р.Эренштейн. М.: Энергия, 1981. — С. 244.
  47. , Л.А. Принятие решений коллективом решающих правил в задачах распознавания образов / Л. А. Растригин, Р. Х. Эренштейн // АиТ. 1975. -№ 9.-С. 133−144.
  48. Рез, И. С. Диэлектрики. Основные свойства и применения в электронике / И. С. Рез, Ю. М. Поплавко. -М.: Радио и связь, 1989.-288 с.
  49. , В.В. Оптимальные коллективные решения в задачах распознавания и классификации: дисс. д. ф-м.н. / В. В. Рязанов. М., 1994.
  50. , Е.М. Прогнозирование в материаловедении с применением ЭВМ / Е. М. Савицкий, В. Б. Грибуля, Н. Н. Киселева и др. М.: Наука, 1990. — 86 с.
  51. , Дж. Принципы концептуального проектирования баз данных. / Дж. Смит, Д. Смит- в сб.: Требования и спецификации в разработке программ- пер. с англ. под ред. В. Н. Агафонова. М.: Мир, 1984. — С. 165−198.
  52. , Э.А. Компьютерная поддержка принятия решения / Э. А. Трахтенгерц М.: Изд-во «Синтег», 1998. — 376 с.
  53. , B.C. Теория автоматического опознавания и гносеология. / В. С. Тюхтин. -М.: Наука, 1976. 190 с.
  54. , Ю.И. База данных по фазовым диаграммам полупроводниковых систем с доступом из Интернет / Ю. И. Христофоров, В. В. Хорбенко,
  55. , М.Е. Экспертные системы для установления структуры органических молекул спектральными методами / М. Е. Эляшберг // Успехи химии. -1999. Т.68. № 7: — С. 579−6031 :
  56. Barker, R. CASE Method. Entity-Relationship Modeling / R. Barker. Copyright Oracle Corporation UK Limited, Addison-Wesley Publishing Co, 1990- • :'. .
  57. Breiman, L Bagging predictors / L. Breiman // Machine Learning., 1996. -Vol.24,no. 2.-P. 123−140.
  58. Breiman, L. Bias, variance, and arcing classifiers / L.Breiman. Tech. Rep. 460: Statistics Department- University of California, 1996.
  59. Chen, P. The Entity-Relationship Model Toward a Unified' View of Data / P.Chen. — ACM Transactions on database Systems. — 1976. — v. l, № 1.
  60. Corey, E. J: Computer assisted design of complex organic synthesis / E.J.Corey, W.T.Wipke // Science. 1969. — V. l66. № 10 Oct. — P. 178−192.
  61. EICTA Interoperability White- Paper June 21, 2004. Available at http://www.eicta.org.
  62. Eom, S.B. The decision support systems research: reference disciplines and a cumulative tradition / S.B.Eom // The International’Journal ofManagement Science. -1995.-№ 23.-P. 511−523.
  63. Fisher, R.A. The use of multiple measurements in taxonomic problems / R.A.Fisher // Ann. Eugenics. 1936. — 7, Part II. — P. 179−188.
  64. Frawley, W.J. Knowledge Discovery In Databases: An Overview. Knowledge Discovery In Databases, eds. / W.J.Frawley, G. Piatetsky-Shapiro, C.Matheus. -AAAI Press/MIT Press, Cambridge, MA., 1991. P. 1−30.
  65. Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R.E.Schapire // European Conference on Computational Learning Theory. 1995. P. 23−37.
  66. Freund, Y. Boosting a weak learning algorithm by majority / Y. Freund // COLT: Proceedings of the Workshop on Computational Learning Theory. Morgan Kaufmann Publishers, 1990.
  67. Igelnik, B. The ensemble approach to neural-network learning and generalization /
  68. B.Igelnik, U.-H.Pao, S.R.LeClair, C.Y.Shen // IEEE Trans. Neural Networks. -1999. V.10. № 1. -P. 19−30.
  69. Imhoff, C. Understanding the Three E’s of Integration EAI, EII and ETL /
  70. C.Imhoff. Intelligent Solutions, Inc. April 2005. Available at http://www.intelsols.com.
  71. Inmon, W.H. Building the Data Warehouse / W.H.Inmon. New-York: John Wiley, 1992.
  72. Jardine, N. Mathematical Taxonomy / N. Jardine, R.Sibson. London: John Wiley and Sons, 1971.-286 p.
  73. Kimball, R. The Data Warehouse Toolkit. Practical Techniques for Building Di-mansional Data Warehouses / R. Kimball. John Wiley & Sons, 1996. — 374 p.
  74. Koetzle, L. Is Linux more secure than Windows? / L. Koetzle, Ch. Rutstein, N. Lambert, S.Wenninger. Forrester Research Inc. March 19, 2004. Available at http://www.forrester.com.
  75. Konovalov, I. Material requirements for CIS solar cells / I. Konovalov // The solid films. 2004. — V.451−452. — P. 413−419.
  76. Kuncheva, L.I. Combining Pattern Classifiers: Methods and Algorithms / L.I. Kuncheva. Wiley, 2004. — 350 p.
  77. Larin, S.B. The Search of Precedent-Based Logical Regularities for Recognition and Data Analysis Problems / S.B.Larin, V.V.Ryazanov // Pattern Recognition and Image Analysis. 1997. — Vol.7, no.3. — P. 322−333.
  78. Microsoft Windows Server 2003 vs. Red Hat Enterprise Linux AS 3.0: IT Professionals Running a Production Environment Veritest report. April, 2005. Available at http://www.veritest.com.
  79. Microsoft Windows Server 2003 with Internet Information Services (IIS) 6.0 vs. Linux Competitive Web Server Performance Comparison Veritest report. April, 2003. Available at http://www.veritest.com.
  80. Ryazanov, V.V. Recognition Algorithms Based on Local Optimality Criteria / V.V.Ryazanov // Pattern Recognition and Image Analysis. 1994. — Vol.4, no.2. -P. 98−109.
  81. Rymer, J. The Total Economic Impact of Developing and Deploying Applications on Microsoft and J2EE/Linux Platforms / J. Rymer, B.Cormier. Forrester Research, Inc., September 4, 2003. Available at http://www.forrester.com.
  82. Sammon, J.W. A nonlinear mapping for data structure analysis / J.W. Sammon // IEEE Trans. Сотр. 1969. — C-18,401−409.
  83. Sessions, R. Interoperability Through Service-Oriented Architectures (SOAs) / R.Sessions. ObjectWatch. Available at http://www.objectwatch.com.
  84. Siebentritt, S. Wide gap chalcopyrites: material properties and solar cells / S. Siebentritt // The solid films. 2002. — V.403−404. — P. 1−8.
  85. Skurichina, M. Bagging and boosting for the nearest mean classifier: Effects of sample size on diversity and accuracy / M. Skurichina, L. Kuncheva, R. Duin //
  86. Multiple Classifier Systems (Proc. Third International Workshop MCS, Cagliari, Italy): Ed. by J.K.F.Roli. Berlin: Springer. 2002. — Vol.2364. — P. 62−71.
  87. Villars, P. Interplay of large materials databases, semi-empirical methods, neuro-computing and first principle calculations for ternary compound former/nonformer prediction / P. Villars, K. Brandenburg, M. Berndt, S. LeClair, A Jackson, Y.-H.Pao,
  88. B.Igelnik, M. Oxley, B. Bakshi, P. Chen, S. Iwata // Engineering Applications of Artificial Intelligence. 2000. — № 13. — P. 497−505.
  89. Wilcox, J. Interoperability: How Technology Managers Rate Microsoft and Its Technologies for Development / J. Wilcox, P. Sargent, Z. Bayriamova,
  90. C.Matiesanu. Jupiter Research (MIC04-C02). April 7, 2004. Available at http://www.jupiterresearch.com.
  91. Yao Lixiu. TICP -An Expert System Applied to Predict the Formation of Ternary Intermetallic Compounds / Yao Lixiu, Qin Pei, Chen Nianyi, P. Villars // Calphad. 2001. — Vol. 25, No. 1. — P. 27−30.
  92. Zloba, E. Statistical methods of reproducing of missed data / E. Zloba, I. Yatskiv // Computer Modelling & New Technologies. 2002. — Vol.6, No. 1. — P. 51−61.
Заполнить форму текущей работой

На отлично!