Гибридные алгоритмы анализа и обработки данных в задачах поддержки принятия решений
Диссертация
Исследования. Проблема принятия решений существует с давних времен, и по сей день она проявляется при исследовании многих прикладных областей, в том числе при решении задач обработки информации в сфере городской жилой недвижимости. Эффективный подход к задаче поддержки принятия решений в современных условиях невозможен без привлечения новых информационных технологий, важной частью которых… Читать ещё >
Список литературы
- Аверкин А.Н., Батыршин И. З., Блишун А. Ф., Силов В. Б., Тарасов В. Б. Нечеткие множества в модёлях управления и искусственного интеллекта / под ред. Д. А. Поспелова. — М.: Наука, 1986. — 312 с.
- Алиев P.A. Интеллектуальные роботы с нечеткими базами знаний. — М.: Радио и связь, 1994. 178 с.
- Алиев P.A., Церковный А. Э., Мамедова Г. А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат. — 1991. — 240 с.
- Алтунин А.Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. — Тюмень: Изд-во Тюменского государственного университета, 2000. 352 с.
- Ариевич Э.М. Эксплуатация жилых зданий: справочное пособие. М.: Стройиздат, 1991.-511с.
- Артеменков А.И., Микерин Г. И. О различии между профессиональной стоимостной оценкой и инвестиционно-финансовой оценкой:. возможные объяснения с учетом происходящего «пересмотра понятий» // Вопросы оценки, 2007.-№ 2-С. 23−39. .
- Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. -М.: Мир, 1979. 536 с.
- Батищев Д.И. Генетические алгоритмы решения экстремальных задач. -Воронеж: Изд-во ВГТУ, 1995. 217 с.
- Башмаков А.И., Башмаков И. А. Интеллектуальные информационные технологии: Учеб. пособие. М.: Изд-во МГТУ им. Н. Э. Баумана, 2005. -304 с.
- Беллман Р., Заде JI. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. — С. 172 215.
- Борисов В.В., Круглов В. В., Федулов A.C. Нечеткие модели и сети. — М: Горячая линия-Телеком, 2007. 284 е.: ил.
- Борисов В.В., Федулов A.C. Нечеткие оценочные модели сложных систем с учетом согласования неравнозначных целей / Нейрокомпьютеры: разработка, применение, 2003. — № 5. — С. 3−12.
- Венцель Е.С. Теория вероятностей. — М.: Наука, 1969. — 576 с.
- Гаврилов Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001, — 384 е.: ил.
- Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для втузов. Изд. 9-е, перераб. и доп. М.: Высш. школа, 2003. — 479 е.: ил.
- Горский В.Г., Гриценко A.A., Орлов А. И., Метод согласования кластеризованных ранжировок // Автоматика и телемеханика. 2000. № 3. С.159−167.
- Градостроительный кодекс Российской Федерации" от 29.12.2004 N 190-ФЗ.
- Грановский В.А., Сирая Т. Н. Методы обработки экспериментальных данных при измерениях. — JL: Энергоатомиздат. Ленингр. отд-ние, 1990. — 288 с.
- Гэри М., Джонсон Д. Вычислительные машины и труднорешаемые задачи: Пер. с. англ. -М.: Мир, 1982. 416 с.
- Дасгупта. Д. Искусственные иммунные системы и их применение / под ред. Д. Дасгупта. Пер. с англ. под ред A.A. Романюхи. М.: ФИЗМАТ ЛИТ, 2006.-344 с.
- Дегтярев Ю.И. Исследование операций: Учеб. для вузов по спец. АСУ. — М.: Высшая школа, 1986. 320 е.: ил.
- Демидова Л.А. Классификация объектов на основе мультимножеств и нечеткой кластеризации // Известия ТРТУ. Таганрог, 2006. — № 15 (70). — С. 72−79.
- Демидова JI.A., Пылькин А. Н. Методы и алгоритмы принятия решений в задачах многокритериального анализа. М.: Горячая линия-Телеком, 2007. -232 е.: ил.
- Демидова JI.A., Титов С. Б. Подход к проблеме нечеткой кластеризации в условиях неопределенности, выбора целевой функции. Вестник РГРТУ № 3 (выпуск 29), Рязань, РГРТУ, 2009 // С.54−60
- Джонс М.Т. Программирование искусственного интеллекта в приложениях. / М. Тим Джонс- пер. с англ. Осипов А. И: М.: ДМК Пресс, 2004. — 312 е.: ил.
- Донской В.И., Башта А. И. Дискретные модели принятия решений при неполной информации. Симферополь: Таврия, 1992. — 166 с.
- Дорофеюк A.A. Алгоритмы автоматической классификации // Автоматика и телемеханика, 1971. — № 12. — С. 78−113.
- Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.-511 с.
- Дьяконов В.П. MATLAB 6/6.1/6.5 + Simulink 4/5 в математике и моделировании. Полное руководство пользователя. — М-: СОЛОН-Пресс, 2003. — 576 с.
- Дьяконов В.П., Круглов B.B. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала». -М.: СОЛОН-ПРЕСС, 2006. 456 е.: ил.
- Дьяконов В.П., Круглов В. В. Математические пакеты расширения MATLAB / Специальный справочник. — СПб.: Питер, 2001. 480 с.
- Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: пер. с фр. М.: Радио и связь, 1990. — 288 .с.
- Дюк В., Самойленко A. Data Mining: учебный курс. — СПб.: Питер, 2001.-368 с.
- Емельянов В.В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. -М.: ФИЗМАТЛИТ, 2003. 432 с.
- Жилищный кодекс Российской Федерации (ЖК РФ) от 29.12.2004 N 188-ФЗ.
- Журавлёв Ю.И., Рязанов BIB., Сенько О. В. «Распознавание». Математические методы. Программная система. Практические применения. — М.: ФАЗИС, 2006. 176 с.
- Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // В кн.: Математика сегодня. М.: Мир, 1974. — С. 5−49.
- Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. — 160 с.
- Захаров В.И., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов .'и систем управления: IV. Имитационное моделирование // Изв. АН Техн. Кибернетика, 1994. № 5. — С. 168−210.
- Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО «ТетраСистемс», 1997. — 368 с.
- Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. К.: Техшка, 1969. — 392 с.
- Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д. А. Поспелова — М.: Радио и связь, 1990. — 304 е.: ил.
- Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. М.: Советское’радио, 1972. — 192 с.
- Колесников A.B., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. М.: ИЛИ РАН, 2007. — 387 е., ил.
- Кормен Т.Х., Лейзерсон Ч. И., Ривест P.JL, Штайн К. Алгоритмы: построение и анализ, 2-е издание: Пер. с англ. М.: Издательский дом «Вильяме», 2005. — 1296 е.: ил.
- Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-432 с.
- Кретов М.В. Методы сравнительного подхода к определению рыночной стоимости объекта недвижимости // Вопросы оценки, 2008. № Г. — С.34−43.
- Курейчик В.В. Эволюционные, синергетические и гомеостатические методы принятия решений. Монография. -Таганрог: Изд-во ТРТУ, 2001. — 221 с.
- Ларичев О.И. Объективные модели и субъективные решения. — М.: Наука, 1987. 142 с.
- Ларичев О.И. Проблемы взаимодействия человек ЭВМ в системах поддержки принятия решений // Процедуры оценивания многокритериальных объектов. — Mi: ВНИИСИ, 1984, С. 20−28.
- Ларичев О.И., Мошкович Е. М. Качественные методы прийятия решений. Вербальный анализ решений. М.: Наука, Физматлит, 1996. — 208 с.
- Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2003. — 736 е.: ил.
- Линник Ю.В. Избранные труды. Теория вероятностей. М.: Наука, 1981.-717 с.
- Литвиненко В. И: Кластерный анализ данных на основе модифицированной иммунной сети // Управляющие системы и машины. Международный научный журнал № 1(219), Киев: Издательство «Академпериодика», 2009 // С. 54−62
- Малышев Н.Г., Бернштейн Л. С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат, 1991. 136 с.
- Мартынов H.H. Введение в МАТЪАВ 6. М.: КУДИЦ-Образ, 2002. -352 с.
- Мелихов А.Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. — М.: Наука. Гл. ред. Физ.-мат. Лит, 1990. — 272 с.
- Минаев Ю.Н., Филимонова О. Ю., Бенамеур Лиес. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросе-тевом логическом базисе. — М.: Горячая линия — Телеком, 2003. — 205 с.
- Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Поспелова Д. А. М.: Наука, 1986. — 312 с.
- Нечеткие множества и теория, возможностей. Последние достижения / под ред. Р. Ягера. М.: Радио и связь, 1986. — 391 с.
- Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход. М.: Физматлит, 2002. — 176 с.
- Обработка нечеткой информации в системах принятия решений / А. Н. Борисов, A.B. Алексеев, Г. В. Меркурнева и др. — М.: Радио и связь, 1989. — 304 с.
- Орлов А.И. Теория принятия решений /Учебное пособие. М.: Издательство «Март», 2004. — 656 с.
- Орлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979. — 296 с.
- Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. — 208 с.
- Перегудов Ф.И., Тарасенко Ф. П. Введение в системный анализ. М.: Высшая школа, 19 891 — 367 с.
- Петровский А.Б. Метрические пространства мультимножеств.//Доклады Академии наук, 1995. Т. 344. — № 2. — С. 175−177.
- Петровский А.Б. Многокритериальное принятие решений по противоречивым данным: подход теории мультимножеств // Информационные технологии и вычислительные системы, 2004. № 2. — С. 56−66.I
- Петровский А.Б. Многокритериальное принятие решений по противоречивым данным: подход теории мультимножеств // Информационные технологии и вычислительные системы, 2004. № 2. — С. 56−66.
- Петровский А.Б. Основные понятия теории мультимножеств. — М.: Еди-ториал УРСС, 2002. 80 с.
- Петровский А.Б. Пространства множеств и мультимножеств. — М.: Еди-ториал УРСС, 2003. 248 с.
- Поршнев С.В. Компьютерное моделирование физических процессов в пакете МАТЬАВ. М.: Горячая линия — Телеком, 2003. — 592 е., ил.
- Построение экспертных систем: пер. с англ. /под ред. Ф. Хейса-Рота, Д. Уотермана, Д.Лената. М.: Мир, 1987. — 441 с.
- Потемкин В.Г. Система инженерных и научных расчетов МАТЬАВ 5.x. В 2-х т. Том 1. — М.: ДИАЛОГ-МИФИ, 1999. — 366 с.
- Потемкин В.Г. Система инженерных и научных расчетов МАТЬАВ 5.x. В 2-х т. Том 2.-М.: ДИАЛОГ-МИФИ, 1999. — 304 с.
- Прангишвили И.В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000. — 528 с.
- Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др. Под редакцией Т: Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993. -368 с.
- Растригин Л.А. Адаптация сложных систем. Рига: Зинанте, 1981. 375 с.
- Ройт А, Бростофф, Мейл Д. Иммунология: Пер. с англ. М.: Мир, 2000. -592 е., ил.
- Ротштейн А.П. Интеллектуальные технологии идентификации. Винница: Континент-Прим, 2004. — 270 с.
- Ротштейн А.П., Штовба С. Д. Нечеткая надежность алгоритмических процессов. — Винница: Континент-Прим, 1997. — 142 с.
- Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, нечеткие системы: Пер. с польск. И. Д. Рудинского. М.: Горячая линия — Телеком, 2004. — 452 с.
- Рыков А. С. Модели и методы системного анализа: Принятие решений и оптимизация. — М.: Московский государственный институт стали и сплавов (технологический университет) (МИСиС) Издательство, Издательский дом «Руда и Металлы», 2005 352 с.
- Рязанов В.В. О построении оптимальных алгоритмов распознавания и таксономии (классификации) при решении прикладных задач. В кн.: Распознавание, классификация, прогноз: Математические методы и их применение. -М.: Наука, 1988. Вып. 1. — С. 229−279.
- Саати Т. Принятие решений. Метод анализа иерархий. — М.: Радио и связь, 1989.-316 с.
- Сайт агентства недвижимости «Огни города» Электронный ресурс. -Режим доступа: http://www.ognigoroda.biz (дата обращения: 02 февраля 2011).
- Седжвик Р. Фундаментальные алгоритмы на С++. Часть 5. Алгоритмы на графах М. ДиаСофт, 2002. — 483 с.
- СНиП 2.08.01−89. Жилые здания. М1: Стройиздат, 1989. — 16 с.
- Сухарев А.Г., Тимохов A.B., Федоров В.В: Курс методов оптимизации. -М.: ФИЗМАТЛИТ, 2005. 368 с.
- Трахтенгерц Э.А. Компьютерная1 поддержка принятия решения в САПР // Автоматизация проектирования, 1998. — № 1. — С. 16−26.
- Чернов В.Г. Модели поддержки принятия решений в инвестиционной, деятельности на основе аппарата, теории нечётких множеств. М.: Горячая, линия — Телеком, 2007. — 312 е., ил.
- Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983. -183 с.
- Шеннон Р. Имитационное моделирование систем: искусство и наука. — М.: Мир, 1978.-418 с.
- Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971. — 256 с.
- Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Винница: Континент-Прим, 2003. — 198 с.
- Штовба С.Д. Проектирование нечетких систем средствами MATLAB. -М.: Горячая линия Телеком, 2007. — 288 е., ил.
- Пб.Штойер Р. Многокритериальная оптимизация. Теория, расчет и приложения: Пер. с англ. — М.: Радио и связь, 1992. — 512 с.
- Abonyi J., Kovacs A. Vizualization of fuzzy clustering results by modified sammon mapping // Proceedings of the 3rd International Symposium of Hungarian Researchers on Computational Intelligence, 2002. — P. 177−188.
- Babuska R., Van der Veen P.J., Kaymak U. Improved covarianee estimation for Gustafson-Kessel clustering // IEEE International? Conference on Fuzzy Systems, 2002.-P. 1081−1085.
- Bezdek J.C. Cluster Validity with Fuzzy Sets // Journal of Cybernetics, 1974. -Vol.3.-P. 58−72.
- Bezdek J.C. Numerical Taxonomy with Fuzzy Sets//Journal of Mathematical Biology, 1974.-Vol. l.-P. 57−71.
- Bezdek J.C., Ehrlich R., Full W. FCM: Fuzzy C-Means Algorithm // Computers and Geoscience, 1984. Vol. 10. — № 2. — P. 191−203.
- Bezdek J.C., Keller J.M., Pal N.R., Pal K. A Possibilistic Fuzzy c-Means Clustering Algorithm//IEEE Transactions on Fuzzy Systems, 2005.- Vol. 13 (4).-P. 517−530.
- Bezdek J.C., Pal N.R. On cluster validity for the fuzy c-means model // IEEE Transactions-on Fuzzy Systems, 1995. Vol. 3. — № 3.-P. 370−379.
- Bezdek J.C., Pal N.R. Some new indexes of cluster validity // IEEE Transactions on Systems, Man and Cybernetics, 1998. Vol. 28. — Part B. — № 3. — P. 301−315.
- Burnet F.M. The Clonal Selection Theory of Acquired Immunity. The University Press, Cambridge 1959.
- Campello R.J.G.B., Hruschka E.R. A Fuzzy Extension of the Silhouette Width Criterion for Cluster Analysis // Fuzzy Sets and Systems, 2006. — Vol. 157 (21).-P. 2858−2875.
- Castillo O., Melin P. Type-2 fuzzy logic: theory and applications // Studies in fiizziness and soft computing. — Vol. 223. 2008. — 243 p.
- Chen D., Li X., Cui D-W. An adaptive validity index for the fuzzy C-means // International journal of computer science and network security, 2007. Vol. 7. — № 2-P. 146−156.
- Cimino M.G.C.A., Frosini G., Lazzerini B., Marcelloni F. On the Noise Distance in Robust Fuzzy C-Means // Proceedings of world academy of science, engineering and technology, 2005.-Vol. l.-P. 124−127.
- Cooper M.C., Milligan G.W. An examination of procedures for determining the number of clusters in a data set // Psychometrika, 1985. Vol. 50. — P. 159 179.
- Coupland S., John R. Type-2 fuzzy logic: a historical view // IEEE Computational intellegence, 2007. Vol. 2. — № 1. — P. 57−62.
- Dave R.N. Characterization and detection of noise in clustering // Pattern Recognition Letters, 1991. Vol. 12. — P. 657−664.
- Dave R.N. Validating fuzzy partitions obtained through c-shells clustering // Pattern Recognition Letters, 1996. Vol. 17. — P. 613−623.
- Dave R.N., Krishnapuram R. Robust clustering methods: a unified review // IEEE transactions on Fuzzy Systems, 1997. Vol. 5. — № 2. — pp. 67−75.
- Dunn J.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters // Journal of Cybernetics, 1973. — Vol. 3. P. 3257.
- Dunn J.C. Well separated clusters and optimal fuzzy partitions // Journal of Cybernetics, 1974. Vol. 4. — P. 95−104.
- Fuzzy Sets and Systems: Theory and Applications / Ed. by D. Dubois, H. Prade. New-York: Acad. Press, 1980. — 394 p.
- Galda H. Development of segmentation method for dermoscopic images based on color clustering. Kobe University, Graduate school of science and technology, 2003. 79 p.
- Gath I., Geva A.B. Unsupervised1 optimal-fuzzy clustering // IEEE Transaction Pattern Analysis and Machine Intelligence, 1989. Vol. 11. — № 7. — P. 773 781.
- Guha S., Rastogi R., Shim K. An Efficient Clustering Algorithm for Large
- Databases // Proceedings of the ACM SIGMOD Conference, 1998. Vol. 27. i2.-P. 73−84.
- Gunderson R. Application of fuzzy ISODATA algorithms to star tracker pointing systems // Proceedings of 7th Triennial World IF AC Congress, 1978. P. 1319−1323.
- Gustafson D.E., Kessel W.C. Fuzzy clustering with fuzzy covariance matrix // Proceedings of the IEEE Conference on Decision and Control, 1979. P. 761−766.
- Guta M., Sinha K. Intelligent Control System. Concepts and Applications // IEEE PRESS, 1996. 820 p.
- Hachouf F., Zeggari A. Genetic optimization for unsupervised fuzzy classification // 17 Congres Mondial IMACS, 2005. P. 27−32.
- Halkidi M., Batistakis Y., Vazirgiannis M. Cluster validity methods: part I, SIGMOD Record, 2002. Vol. 31. — № 2. — P. 40−45.
- Halkidi M., Batistakis Y., Vazirgiannis M. Cluster validity methods: part II, SIGMOD Record, 2002. Vol. 31, № 3. — P. 19−27.
- Jensen R., Shen Q. Fuzzy-rough sets assisted attribute selection // IEEE Transactions on fuzzy systems, 2007. Vol. 15. — № l.-P. 73−89.
- Jerne N.K. Towards a Network Theory of the Immune System // Ann. Immunol. (Inst. Pasteur) 125C. 1974: P. 373−389.
- Karnik N.N., Mendel J.M. Centroid of a type-2 fuzzy set // Information sciences, 2001. Vol: 132. — P. 195−220.
- Knight Thomas, Timmis Jon. AINE: An Immunological Approach to Data Mining. ICDM 2001. P. 297−304.
- Krishnaparum R., Frigui H. A comparison of fuzzy shell clustering methods for the detection of ellipses // IEEE Transactions on fuzzy systems, 1996. № 4. -P.193−199.
- Krishnaparum R., Frigui H. Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation part I: a new approach // IEEE Transactions on fuzzy systems, 1995. — Vol. 3. — № l.-P. 29−43.
- Krishnaparum R., Frigui H. Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation part II: a new approach // IEEE Transactions on fuzzy systems, 1995. — Vol. 3. — № l.-P. 44−60.
- Krishnaparum R., Nasraoui O., Frigui H. The fuzzy C spherical shells algorithm: a new approach // IEEE Transactions on neural networks, 1992. Vol. 3. i5.-P. 663−671.
- Krishnapuram R., Keller J.M. A possililistic approach to clustering // EEEE Transactions on fuzzy systems, 1993. Vol. 1. — № 2. — P. 98−110.
- Leandro Nunes de Castro, Fernando Jose Von Zuben. Artificial immune systems: Part I Basic theory and applications. Technical Report: TR — DCA 01/99, 1999.-93 p.
- Li RJ. Fuzzy method in group decision making // Computers and Mathematics with Applications, 1999. № 38. — P. 91−101.
- Makrehchi M. Application of Genetic Algorithms in Fuzzy Rules Generation // IEEE Transaction on Fuzzy Systems, 1995. Vol. 1. — № 3. — P. 251−256.
- Marchitelli R. Market value: the elusive standard // The Appraisal Journal, 1992.-P. 313−322.
- Mendel J.M. Advances in type-2 fuzzy sets and systems // Information Sciences, 2007. Vol. 177. — P. 84−110.
- Mendel J.M. Computing derivatives in interval type-2 fuzzy logic systems // IEEE Transactions on Fuzzy Systems, 2004. Vol. 12. — № 1. — P. 84:98.
- Mendel J.M. Fuzzy sets for words: why type-2 fuzzy sets should be used and how they can be used. — Los Angeles: University of Southern California, 2004. — 100 p.
- Mendel J.M. Type-2 fuzzy sets and systems: an overview // IEEE Computational intelligence magazine, 2007. Vol. 2. — № 1. — P. 20−29.
- Mendel J.M. Type-2 fuzzy sets: some questions and answers // IEEE Connections, Newsletter of the IEEE Neural Networks Society, 2003. Vol. 1. — P. 10−13.
- Milligan G.W. An examination of the effect of six types of error perturbation on fifteen clustering algorithms // Psychometrika, 1980. Vol. 45, P. 325−342.
- Milligan G.W., Cooper M.C. An Examination of Procedures for Determining the Number of Clusters in a Data Set // Psychometrika, 1985. Vol. 50. — P. 159 179.
- Perelson A.S. Immune network theory. Immunological Reviews, 110 (1989) 5−33.
- Petrovsky A. Method for approximation of diverse individual sorting rules // Informatica, 2001. V. 12. № 1. — P. 109−118.
- Reynolds D., Gomatam J. Stochastic modeling of genetic algorithms // Artificial Intellegence, 1996. Vol. 82. -№ 1. — P. 303−330.
- Rezaee R., Lelieveldt B.P.F., Reiber J.H.C. A New Cluster Validity Index for the Fuzzy c-Mean // Pattern Recognition Letters, 1998. Vol. 19. — P. 237−246.
- Rhee F.C.-H. Uncertain fuzzy clustering: insights and recommendations // IEEE Computational intellegence magazine, 2007. Vol. 2. — № 1. — P. 44−56.
- Tarakanov A.O., Skormin V.A., Sokolova S.P. Immunocomputing: principles and applications New York: Springer-Verlag, 2003. 193 p.
- Timm H., Kruse R. A Modification to Improve Possibilistic Fuzzy Cluster Analysis // Proceedings of the 2002 IEEE International Conference on Fuzzy Systems, 2002. Vol. 2. — P. 1460−1465.
- Timmis J., Neal M. A resource Limited. Artificial Immune System for Data Analysis. Knowledge Based Syst. 2001. — 14(3−4) — P. 121−130.
- Tyrvainen L., Miettinen A. Property prices and urban forest amenities // Journal of Environmental Economics and management, 2000. № 39. — P. 205−233.
- Wierzchoc S.T. Artificial Immune Systems. Theory and Appl. Akademicka Oficyna Wydawnicza EXIT. (Polish) Warszawa, 2001. — 282 p.
- Xei X.L., Beni G.A. Validity Measure for Fuzzy Clustering // IEEE Transactions on Pattern Analysis and Machine Intellegence, 1991. № 3(8). — P. 841−846.
- Yager R.R. A representation of the probability fuzzy set // Fuzzy sets and systems, 1984.-Vol. 13. -№ 3. P. 273−283.
- Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy sets and systems, 1978. Vol. 1. — P. 3−28.
- Zhang J., Leung Y. Improved possibilistic c-means clustering algorithms // IEEE Transactions on Fuzzy Systems, 2004. Vol. 12. — P. 209−217.