Помощь в написании студенческих работ
Антистрессовый сервис

Модели построения информационных массивов для решения задачи классификации сведений в условиях неопределенности

Диссертация: Модели построения информационных массивов для решения задачи классификации сведений в условиях неопределенности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Предложена формализация целевого пространства информационных массивов в виде кортежа из трех элементов, которыми являются множество информационных массивов, отвечающих общей цели, и определенные на нем отношения эквивалентности и частичной упорядоченности, что дало возможность построить процедуры декомпозициипостроены аналитические и процедурные модели декомпозиции информационных массивов… Читать ещё >

Модели построения информационных массивов для решения задачи классификации сведений в условиях неопределенности (реферат, курсовая, диплом, контрольная)

Содержание

  • ОСНОВНЫЕ И УСЛОВНЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ
  • 1. РЕШЕНИЕ ЗАДАЧ КЛАССИФИКАЦИИ И ПРОБЛЕМА НЕОПРЕДЕЛЕННОСТИ
    • 1. 1. Общая постановка задачи классификации и основные направления ее решения
    • 1. 2. Основные концепции неопределенности в задачах классификации
      • 1. 2. 1. Основы подхода к решению задач классификации с позиции теории нечетких множеств
    • 1. 3. Постановка цели и задач исследования
  • 2. АНАЛИТИЧЕСКИЕ И ПРОЦЕДУРНЫЕ МОДЕЛИ ДЕКОМПОЗИЦИИ ЦЕЛЕВОГО ПРОСТРАНСТВА ИНФОРМАЦИОННЫХ МАССИВОВ И ПОСТРОЕНИЕ ОЦЕНКИ СЛОЖНОСТИ ИНФОРМАЦИОННЫХ МАССИВОВ
    • 2. 1. Структура отношений на целевом пространстве информационных массивов
    • 2. 2. Отображения целевого пространства информационных массивов
    • 2. 3. Декомпозиция целевого пространства информационных массивов
    • 2. 4. Функция оценки близости и метрики на декомпозиции целевого пространства информационных массивов
    • 2. 5. Определение сложности
    • 2. 6. Оценка сложности информационных массивов
    • 2. 7. Декомпозиция целевого пространства информационных массивов по сложности
    • 2. 8. Формулировка принципа сложности для информационного массива
    • 2. 9. Оператор и функционал сложности информационного массива
    • 2. 10. Критерий сложности построения информационного массива
    • 2. 11. Критерий обобщенной эффективности
    • 2. 12. Связь с теорией нечетких множеств
  • Выводы по главе
  • 3. ФОРМИРОВАНИЕ ИНФОРМАЦИОННЫХ МАССИВОВ ДЛЯ
  • РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ
    • 3. 1. Методы оценки релевантности
    • 3. 2. Формирование пространства информационных массивов
    • 3. 3. Постановка задач выбора метода решения задачи классификации
    • 3. 4. Результаты решения задачи классификации
  • Выводы по главе

Актуальность темы

На современном этапе развития общества, характеризующемся интенсивным внедрением информационных технологий, которые в большинстве своем основываются на использовании компьютерных сетей, особое значение приобретают задачи классификации сведений, получаемых из различных источников, одним из которых являются результаты работы информационно-поисковых машин (ИПМ). Использование информационно-поисковых машин в настоящее время приобретает особую значимость при нахождении сведений, необходимых для решения задач анализа, оптимизации, управления и принятия решений в различных сферах деятельности. Необходимость решения задач классификации сведений обусловлена неудовлетворительным качеством работы информационно-поисковых машин, результаты работы которых, в большинстве своем, не отранжированы по критерию релевантности и даже в тех случаях, когда этот критерий используется, отсутствует какая-либо группировка сведений, способствующая упрощению процесса их последующей обработки. Одной из основных особенностей задачи классификации сведений является наличие как качественных, являющихся источником неопределенности, так и количественных признаков в описании объектов исходного множества. При выделении однородных групп сведений, относящихся к объектам выбранной предметной области, различают такие виды группировки исходных данных, как структурная и типологическая. Структурная группировка представляет собой способ выделения количественно однородных групп объектов, а типологическая — способ выделения качественно однородных групп.

Методы выделения однородных групп сведений используют следующие основные подходы:

— вероятностный подход, основанный на предположении о том, что объекты, принадлежащие одному из выделяемых классов, описываются одинаково распределенными случайными векторами, а для различных классов характерны различные распределения вероятностей;

— вариативный подход, состоящий в разбиении множества объектов по выбранному исследователем признаку на интервалы группирования, в результате чего исходное множество объектов разбивается на группы таким образом, что объекты одной группы находятся на относительно небольшом расстоянии друг от друга;

— структурный подход, базирующийся на представлении об объектах как точках в многомерном пространстве, которое получило развитие в работах Солодовникова В. В., Дубова Ю. А., Якимца В. И., Кузьмина В. Б., Макарова И. М., Виноградской Т. М., Рубчинского A.A., Бирюкова В. Ф., Тумаркина В. И. и др.

Однако при этом не рассматривался процесс получения сведений, подлежащих классификации, основанный не только на результатах работы информационно-поисковых машин, но и на формировании соответствующих информационных массивов, используемых в дальнейшем для решения задач классификации сведений. Процессы построения информационных массивов при решении широкого класса задач рассматривались в работах Кузнецова H.A., Кульбы В. В., Норенкова И. П., Ковалевского С. С., Косяченко С. А., Цвиркуна А. Д., Павлова В. Б. и др., однако они не использовались для решения задачи классификации сведений в условиях неопределенности, методам и подходам раскрытия которых посвящены работы российских и зарубежных ученых Поспелова Д. А., Аверкина А. Н., Батыршина И. З., Блишуна А. Ф., Кузьмина В. Б., Борисова А. Н., Алексеева.А.В., а также Заде JI.A., Кофмана А. и др.

Таким образом, решение задачи классификации сведений, основанной на использовании сформированных специальным образом информационных массивов и выборе соответствующих методов их обработки в условиях неопределенности, является актуальным.

Цель работы: повысить эффективность процесса классификации сведений в условиях неопределенности путем формирования информационных массивов заданной сложности.

Задачи исследования:

• ввести в рассмотрение целевое пространство информационных массивов (ЦПИМ) для последующего построения процедур его декомпозиции;

• ввести в рассмотрение критерий сложности построения информационных массивов (ИМ);

• провести классификацию неопределенностей, имеющих место при решении задачи классификации, и обосновать выбор математического аппарата для их формализации;

• предложить и обосновать структуру информационного массива, удовлетворяющую предложенному критерию оценки сложности, учитывающую влияние факторов неопределенности при решении задачи классификации.

Объект исследования. Методы построения информационных массивов для решения задач классификации сведений.

Предмет исследования. Модели построения информационных массивов по критерию сложности для решения задачи классификации сведений в условиях неопределенности.

Методы исследования. Для решения поставленных задач в работе использованы методы системного анализа, теории нечетких множеств и математического программирования.

Научная новизна работы заключается в следующем:

— предложена формализация целевого пространства информационных массивов в виде кортежа из трех элементов, которыми являются множество информационных массивов, отвечающих общей цели, и определенные на нем отношения эквивалентности и частичной упорядоченности, что дало возможность построить процедуры декомпозициипостроены аналитические и процедурные модели декомпозиции информационных массивов, основанные на использовании предложенных типов взаимосвязи, определяемых отношениями эквивалентности, частичной упорядоченности и введенных в рассмотрение прототипах;

— предложен критерий оценки сложности информационного массива, построенный на основе использования характеристических функций, разбивающих целевое пространство информационных массивов на уровни декомпозиции;

— построена аналитическая модель выбора типа «много входов — один выход» (MISO), основанная на применении выбранных Т-норм, методов решения задачи классификации сведений из построенных информационных массивов в условиях неопределенности.

Практическая значимость полученных результатов заключается в использовании разработанного программного обеспечения, реализующего построенные процедурные модели решения задач классификации сведений, что позволяет существенно сократить время получения и поиска сведений в локальных и сетевых информационных системах.

Работа выполнена при поддержке Государственного контракта № П292 в рамках ФЦП «Научные и научно-педагогические кадры инновационной России на 2009;2013годы».

Реализация результатов работы осуществлена в ОАО «Пигмент», г. ТамбовООО «Совтех», г. ВоронежГосударственном образовательном учреждении высшего профессионального образования «Тамбовский государственный технический университет».

Положения, выносимые на защиту:

• формализация целевого пространства информационных массивов в виде кортежа из трех элементов, которыми являются множество информационных массивов, отвечающих общей цели, и определенные на нем отношения эквивалентности и частичной упорядоченности, позволяет построить процедуры его декомпозиции и повысить эффективность решения задачи классификации сведений;

• аналитические и процедурные модели декомпозиции целевого пространства информационных массивов, основанные на использовании предложенных типов взаимосвязи, определяемых отношениями эквивалентности, частичной упорядоченности и введенных в рассмотрение прототипах, дают возможность сформировать информационные массивы для решения задачи классификации;

• критерий оценки сложности информационного массива, построенный на основе использования характеристических функций, разбивающих целевое пространство информационных массивов на уровни декомпозиции, который позволяет осуществить построение информационного массива с заданными свойствами;

• аналитическая модель выбора типа MISO, основанная на применении Т-норм, методов решения задачи классификации сведений из построенных информационных массивов в условиях неопределенности, позволила автоматизировать процесс и сократить временные затраты.

Апробация работы. Основные результаты работы представлены и обсуждены на Всероссийских и международных научных конференциях «Наука на рубеже тысячелетий» (международная конференция, Тамбов, 2004), «Динамжа наукових дослщжень '2005» (IV м1ждународна науково-практична конференщя, Дншропетровськ, 2005), «Теория конфликта и ее приложения» (IV Всероссийская научно-техническая конференция, Воронеж, 2006), на семинарах кафедры «Информационные системы и защита информации» ГОУ ВПО ТГТУ и кафедры «Прикладная информатика» Тамбовского филиала Московского государственного университета культуры и искусств.

Объем и структура работы. Диссертация, общий объем которой составляет 204 страницы (основной текст — 153 страниц), состоит из введения, трех глав, заключения, списка используемых источников, включающего 249 наименований научных трудов на русском и иностранном языках, и 10 приложений. Диссертация содержит 25 рисунков и 12 таблиц.

Выводы по главе.

— в данной главе представлены характеристики наиболее распространенных информационно-поисковых машин, которые в последующем используются для решения задачи классификации сведений;

— построена процедурная модель процесса поиска сведений, дающая возможность в кратчайшие временные рамки получить достаточно полную информацию по введенному запросу за счет построения ИМ и решения задачи классификации сведений;

— поставлена задача выбора метода кластеризации и предложена процедурная модель ее решения;

— поставлена и решена задача кластеризации сведений о русском математике Колмогорове и оценена эффективность реализации разработанных процедурных моделей на основе использования предложенного критерия.

ЗАКЛЮЧЕНИЕ

.

При решении задачи классификации сведений в условиях неопределенности были решены следующие задачи:

• предложена формализация целевого пространства информационных массивов в виде кортежа из трех элементов, которыми являются множество информационных массивов, отвечающих общей цели, и определенные на нем отношения эквивалентности и частичной упорядоченности, что дало возможность построить процедуры его декомпозиции с целью повышения эффективности решения задачи классификации сведений;

• построены аналитические и процедурные модели декомпозиции, основанные на использовании предложенных типов взаимосвязи, определяемых отношениями эквивалентности, частичной упорядоченности и введенных в рассмотрение прототипах, что позволило сформировать информационные массивы с заданными свойствами для решения задачи классификации- •.

• предложен критерий оценки сложности информационного массива, построенный на основе использования характеристических функций, разбивающих целевое пространство информационных массивов на уровни декомпозиции, использование которого дало возможность организовать информационный массив с заданными свойствами;

• разработана аналитическая модель выбора типа MISO, основанная на применении обоснованно выбранных Т-норм, методов решения задачи классификации сведений построенных информационных массивов в условиях неопределенности;

• результаты проведенных экспериментальных исследований дали возможность сделать вывод о повышении эффективности решения задачи классификации сведений на 32,5% вследствие применения построенных в работе аналитических и процедурных моделей формирования информационных массивов и проведения декомпозиции.

Показать весь текст

Список литературы

  1. С.И. Словарь русского языка: Ок. 57 000 слов / Под ред. Н. Ю. Шведовой. — 17-е изд., стереотип. — М.: Русский язык. — 1985. —797с.
  2. В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. — М: Наука, Гл. ред. физ.-мат. лит.— 1982. — 168 с.
  3. Н. Теория множеств. — М.: Мир. — 1965. — 268 с.
  4. М. Комбинаторная теория. — М.: Мир. — 1982. — 190 с.
  5. Алгебраическая теория автоматов, языков и полугрупп / Под ред. М. Арбиба- Пер. с англ. — М.: Статистика. — 1975. — 347 с.
  6. H.H., Михайлов Г. И., Руднев В. В., Таль A.A. Конечные автоматы: эквивалентность и поведение. — М.: Наука. — 1984. — 292 с.
  7. И.И., Рукавишников В. О. Группировка, корреляция, распознавание образов (Статистические методы классификации и измерения связей) — М.: Статистика. — 1977.— 144 с. .
  8. ИД. Кластерный анализ.— М.: Финансы и статистика. — 1988. —176 с.
  9. В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. — М.: Наука. — 1982. —174 с.
  10. Е.С. Полугруппы. — М.: Физматгиз. — 1960. — 272 с.
  11. К., Мостовский А. Теория множеств. — М.: Мир. — 1970. — 190 с.
  12. Г., Барти Т. Современная прикладная алгебра. — М.: Мир.— 1976, —310с.
  13. Hartigan J.A. Clustering Algorithms. New York: John Wiley & Sons. — 1975.
  14. К. Введение в статистическую теорию распознавания образов / Пер. с англ. — М.: Наука. — 1979 — 368 с.
  15. Wong М.А. A Hybrid Clustering Method for Identifying High-Density Clusters // Journal of American Statistical Association.— 1982.— Vol. 77.— pp.841−847.
  16. Owsinski J.W. On a New Naturally Indexed Quick Clustering Method with a.
  17. Global Objective Function // Applied Stochastic Models and Data Analysis.— 1990.--.1. Vol. 6.—pp. 157−171.
  18. Owsinski J.W., Zadrozny S. Ecological Site Classification: An Application oiff Clustering. Reply to a Problem Proposed by H. El-Shishiny at the Fourth Internationa^. Symposium on Applied Stochastic Models and Data Analysis, Nancy, France^
  19. December 7−9, 1988 // Applied Stochastic Models and Data Analysis.— 1991−1. Vol.7.—pp.273−279.
  20. Owsinski J.W. Clustering — Modelling, Capacities, Limits, Applications // Control and Cybernetics.-1995.— Vol. 24.— pp.391−397.
  21. М.И. О самопроизвольном различении образов // Читающрз-е автоматы. —Киев: Навукова думка. — 1965. — С. 38−65.
  22. А. В. Классификация сигналов в условиях неопределенности — М.: Сов. Радио. — 1975.— 328 с.
  23. Жук Е.Е., Харин Ю. С. Устойчивость в кластер-анализе многомернь.:сх наблюдений. — Мн.: Белгосуниверситет. — 1998.— 240 с.
  24. С.А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. Прикладцая статистика: Классификация и снижение размерности: Справ, изд./ Под ред. С.^ Айвазяна.— М.: Финансы и статистика. — 1989.— 607 с.
  25. И.З. Кластеризация на основе размытых отношений сходства // Управление при наличии расплывчатых категорий: Тезисы докладов 3-го научно-технического семинара. — Пермь. — 1980. — С.25−27.
  26. И.З., Вагин В. Н. Алгоритмы кластеризации, основывающиеся на понятии неразличимости объектов // Управление при наличии расплывчатыхкатегорий: Тезисы докладов 4-го научно-технического семинара. — Фрунзе.1981.—С. 79.
  27. И.З. Иерархические алгоритмы выделения классов толерантности в задачах классификации // Применение вероятностно-статистических методов в бурении и нефтедобыче: Тезисы докладов IV Всесоюзной конференции. — Баку. — 1984.— С. 16−17.
  28. И.З., Халитов Р. Г. Иерархическая классификация на базе классов толерантности // Исследование операций и аналитическое проектирование в технике. —Казань: КАИ. — 1987.— С. 105−110.
  29. И.З. О декомпозиции нечетких отношений эквивалентности // Математические и экспериментальные методы синтеза технических систем. — Казань: КАИ. — 1989, — С.21−27.
  30. И.З., Морозов В. А., Халитов Р. Г. КЛАСТИЕР — программная система иерархической классификации // Статистический и дискретный анализ данных и экспертное оценивание: Материалы IV Всесоюзной школы-семинара. — Одесса. — 1991.—С. 319−321.
  31. Л.С., Дзюба Т. А. Решение задач классификации на нечетких графах // Новости искусственного интеллекта.— 2000.— № 3.— С. 113−121.
  32. Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер / Под ред. Дж. Вэн Райзина- пер с англ.- под ред. Ю. И. Журавлева. — М: Мир. — 1980, — С. 208−247.
  33. М.Х. Применение нечетких отношений в классификации // Нечеткие системы поддержки принятия решений: Сборник научных трудов.— Калинин: Калининский государственный университет. — 1989. — С. 99−107.
  34. Э.Г. Последние достижения в нечетком кластер-анализе // Нечеткие множества и теория возможностей: Последние достижения / Под ред. Рональда Р. Ягера- Пер. с англ. В.Б. Кузьмина- Под ред. СИ. Травкина.— М: Радио и связь. — 1986 —С. 114−132.
  35. Д.А. Основные концепции неопределенности в задачах автоматической классификации // Полигнозис. — 2002. — № 3. — С. 160−167.
  36. Д.А. Формы проявления нечеткости // Гуманитарно-экономический вестник. —1998. — № 1. — С.66−69.
  37. АН. Нечеткое отношение моделирования и его использование для классификации и аппроксимации в нечетких лингвистических пространствах // Известия АН СССР. Техническая кибернетика. — 1982.— № 2 — С.215−217.
  38. Д.А. Содержательная интерпретация нечетких отношений сходства. // Полигнозис. — 2001. —№ 1. — С. 20−25.
  39. А.Н., Бутенков С. А., Кривша В. В. Нечеткие геометрические признаки в задачах классификации и кластеризации // Новости искусственного интеллекта.— 2000.— № 3.— С. 129−133.
  40. А.Н.Аверкин, И. З. Батыршин, А. Ф. Блишун и др. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Д. А. Поспелова. — М.: Наука, гл. ред. физ.-мат. лит. — 1986. —312с.
  41. В.Б., Желтов С. Ю., Степанов А. А. Нечеткие модели в обработке изображений: обзор зарубежных достижений // Новости искусственного интеллекта.— 1993.—№ 3.— С.40−64.
  42. С. Азбука звездного неба / Пер. с англ. — М.: Мир. — 1990.— 240с.
  43. Литтл Р.Дж.А., Рубин Д. Б. Статистический анализ данных с пропусками / Пер. с англ. — М.: Финансы и статистика. — 1990.— 336 с.
  44. А. Введение в теорию нечетких множеств / Пер. с фр.- Под ред. СИ. Травкина.— М.: Радио и связь. — 1982. —432 с.
  45. Bortolan G., Degani R. Ranking of Fuzzy Alternatives in Electrocardiography // Fuzzy Information, Knowledge Representation and Decision Analysis / Ed. by E. Sanchez and M.M. Gupta. — Oxford: Pergamon Press. — 1983.— pp. 397−402.
  46. Dunn J.C. A Graph Theoretic Analysis of Pattern Classification via Tamura’s Fuzzy Relation // IEEE Transactions on Systems, Man, and Cybernetics. — 1974. — Vol. SMC-4. —pp.310−313.
  47. Dunn J.C. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters // Journal of Cybernetics. —¦ 1974. —- Vol.3. — pp.32−57.
  48. Dunn J.C. Well-separated Clusters and the Optimal Fuzzy Partitions // Journal of Cybernetics. — 1974. — Vol.4, — pp.95−104.
  49. Dunn J.C. Some Recent Investigations of a New Fuzzy Partitioning Algorithm and Its Application to Pattern Classification Problems // Journal of Cybernetics. — 1974. —Vol.4. —pp.1−15.
  50. Koczy L.T., Hajnal M. A New Fuzzy Calculus and Its Applications as a Pattern Recognition Technique // Modern Trends in Cybernetics and Systems / Ed. by J. Rose, C. Bilciu. — Berlin: Springer-Verlag. — 1977.—pp. 103−118.
  51. Kumar A. A Real-Time System for Pattern Recognition of Human Sleep Stages by Fuzzy Systems Analysis // Pattern Recognition. — 1977.— Vol.9.— pp.43−46.
  52. Michalski R.S. Pattern Recognition as Rule-Guided Inductive Inference // IIIEE Transactions of Pattern Analysis Machines Intelligent.— 1980.— Vol. PAMI-2.— pp.349−361.
  53. Pienkowski A.E. Artificial Color Perception Using Fuzzy Techniques in Digital Image Processing. Koln: Verlag TUV Rheinland- 1989.
  54. Roubens M. Pattern Classification Problems and Fuzzy Sets // Fuzzy Sets and Systems.— 1978.— Vol. 1.— pp.239−253.
  55. Shimura M. Applications of Fuzzy Set Theory to Pattern Recognition // Journal of AACE.— 1975.— Vol. 19.— pp.243−248.
  56. Chang R.L.P., Pavlidis T. Fuzzy Decision-Tree Algorithms // IEEE Transactions on Systems, Man, and Cybernetics. — 1977. —Vol. SMC-7. —pp.28−35.
  57. Hoppner F., Klawonn F., Kruse R. Fuzzy-Clusteranalyse. Verfahren fur die Bilderkennung, Klassifikation und Datenanalyse. Wiesbaden, Braunschweig: Vieweg Verlag. —1997.
  58. Lee E.T. Proximity Measures For the Classification of Geometric Figures // Journal of Cybernetics.— 1972.— Vol.2.— pp.43−59.
  59. Lee E.T. Application of Fuzzy Languages to Pattern Recognition // Kybernetes.— 1977 — Vol.6.— pp. 167−173.
  60. Lee E.T. Fuzzy Tree Automata and Syntactic Pattern Recognition // IEEE Transactions of Pattern Analysis Machines Intelligent.— 1982.— Vol. PAMI-4.— pp.445−449.
  61. Nath A.K., Lee T.T. On the Design of a Classifier With Linguistic Variables As Inputs //Fuzzy Sets and Systems.— 1983.— Vol.11.— pp. 265−286.
  62. Nath A.K., Liu S.W., Lee T.T. On Some Properties of a Linguistic Classifier // Fuzzy Sets and Systems.—1985.— Vol.17.— pp. 297−311.
  63. Siy P., Chen C.S. Fuzzy Logic For Handwritten Numerical Character
  64. Recognition // IEEE Transactions on Systems, Man, and Cybernetics.— 1974.1. Vol. SMC-4.— pp.570−575.
  65. Sanchez E. Resolution of Composite Fuzzy Relation Equations // Information and Control.— 1976.— Vol.30.— pp.38−48.
  66. Tamburrini G., Termini S. Some Foundational Problems in the Formalization of Vagueness // Fuzzy Information and Decision Processes / Ed. by M.M.Gupta, E.Sanchez. — Amsterdam: North-Holland Publishing Company, 1982.— pp. 161−166.
  67. Ruspini E.H. A New Approach to Clustering // Information and Control.1969.— Vol.15.—pp.22−32.
  68. Duin R.P.W. The Use of Continuous Variables for Labeling Objects // Pattern Recognition Letters. — 1982. — Vol.1. — pp. 15−20.
  69. Dumitrescu D. Hierarchical Pattern Classification // Fuzzy Sets and Systems.1988 — Vol.28. — pp.145−162.
  70. Gesu D.V., Maccarone M.C. Feature Selection and Possibility Theory // Pattern Recognition. — 1986. — Vol. 19. — pp.63−72.
  71. Huntsberger T.L., Rangarajan Ch., Jayaramurthy S.N. Representation of Uncertainty in Computer Vision Using Fuzzy Sets // IEEE Transactions on Computers.— 1986.— Vol. C-3 5.— pp. 145−156.
  72. Jajuga K. Li-norm Based Fuzzy Clustering // Fuzzy Sets and Systems. —- 1993, — Vol.39. — pp.43−50.
  73. Jajuga K. Optimization in Fuzzy Clustering // Control and Cybernetics.1995.—Vol. 24.—pp.409−419.
  74. Kandel A. Fuzzy Techniques in Pattern Recognition. New York: John Wiley & Sons. — 1982.
  75. Kaufman L., Rousseeuw PJ. Finding Groups in Data: An Introduction to Cluster Analysis. New York: John Wiley & Sons. — 1990.
  76. Kharin Yu.S. Robustness in Statistical Pattern Recognition. Dordrecht: Kluwer Academic Publishers. — 1996.
  77. Libert G., Roubens M. Non-metric Fuzzy Clustering Algorithms And Their Cluster Validity // Approximate Reasoning in Decision Analysis / Ed. by M.M.Gupta, E.Sanchez. — Amsterdam: North-Holland Publishing Company. — 1982.— pp.417 425.
  78. Libert G. Compactness and Number of Clusters // Control and Cybernetics.— 1986.—Vol. 15.—pp.205−212.
  79. Lim Y.W., Lee S.U. On the Color Image Segmentation Algorithm Based on the Thresholding and the Fuzzy c-Means Techniques // Pattern Recognition.— 1990.— Vol.23.— pp.935−952.
  80. Lopez de Mantaras R., Aguilar Martin J. Classification and Linguistic Characterization of Nondeterministic Data // Pattern Recognition Letters.— 1983.— Vol. 2.— pp.33−41.
  81. Lou S.-P., Cheng W.-C, Chao L.-M. Two New Methods m Fuzzy Cluster // Approximate Reasoning in Decision Analysis / Ed. by M.M.Gupta, E.Sanchez. — Amsterdam: North-Holland Publishing Company. — 1982. —pp.427−430.
  82. Majumder D.K.D., Pal S.K. Fuzzy Mathematical Approach to Pattern Recognition. Delhi: Wiley Eastern Ltd. — 1985.
  83. Miyakoshi M., Shimbo M. Solutions of Composite Fuzzy Relational Equations with Triangular Norms // Fuzzy Sets and Systems. — 1985.— Vol.16.— pp.53−63.
  84. Miyamoto S. Fuzzy Sets in Information and Retrieval and Cluster Analysis. Dordrecht: Kluwer Academic Publishers. — 1990.
  85. Miyamoto S., Agusta Y. An Efficient Algorithm for Li Fuzzy c-Means and Its Termination // Control and Cybernetics.-1995.— Vol. 24.— pp.421−436.
  86. Radecki T. Level fuzzy sets // Journal of Cybernetics.-1977.— Vol.7.— pp.189−198.
  87. Saitta L., Torasso P. Fuzzy Characteristics of Coronary Disease // Fuzzy Setsand Systems.— 1981.— Vol.5.— pp.245−258.
  88. Seif A., Aguilar-Martin J. Multi-Group Classification Using Fuzzy Correlation
  89. Fuzzy Sets and Systems.-1980 — Vol.3.— pp. 109−122.
  90. Tamura S., Higuchi S., Tanaka K. Pattern Classification Based on Fuzzy Relations // IiiEE Transactions on Systems. Man, and Cybernetics.— 1971.—1. Vol. SMC-1.—pp.61−66.
  91. Termini S. Aspects of Vagueness and Some Epistemological Problems Related to Their Formalization // Aspects of Vagueness/Ed, by H.J. Skala, S. Termini, E. Trillas — Dordrecht: D. Reidel Publishing Company, 1984.—pp.205−230.
  92. Tou J.T. An Approach to Understanding Geometrical Configurations by Computer // International Journal of Computer and Information Sciences.— 1980.—1. Vol.9., N2.— pp.1−13.
  93. Trauwaert E. On the Meaning of Dunn’s Partition Coefficient for Fuzzy Clusters
  94. Fuzzy Sets and Systems.— 1988.— Vol.25.— pp.217−242.
  95. Trauwaert E., Kaufman L., Rousseeuw P. Fuzzy Clustering Algorithms Based on the Maximum Likelihood Principle// Fuzzy Sets and Systems.— 1991.— Vol.42.— pp.213−227.
  96. Trivedi M.M., Bezdek J.C. Low-level Segmentation of Aerial Images with Fuzzy Clustering // IIIEE Transactions on Systems, Man, and Cybernetics, 1986, vol. SMC-16, pp.589−596.
  97. Trivedi M.M. Analysis of Aerial Image Using Fuzzy Clustering // Analysis of Fuzzy Information / Ed. by J.C. Bezdek. — CDC Press, 1987, Vol.3.—pp. 133−151.
  98. Vatlin S.I. Selfguessing Fuzzy Classifiers // Informatica.— 1993.— Vol.4.—pp.406−414.
  99. Vatlin S.I. The Covariant Monotonic Improvement of Fuzzy Classifiers is Impossible // Neural Network World.—1996.— Vol.6.— pp.401−406.
  100. Vatlin S.I. The Structure of the Improvement of Consistently Fuzzy Classifiers // Pattern Recognition and Information Processing: Proceedings of Fourth International Conference (20−22 May 1997 Minsk, Republic of Belarus). Vol. 2. /Ed. by V.
  101. Krasnoproshin et al. — Szczecin: Wydawnictwo Uczelniane Politechniki Szczecinskiej, 1997.—pp.87−90.
  102. Viattchenirt D.A. Fuzziness As A Theoretical Concept // Proceedings of the European Symposium on Intelligent Techniques, March 20−21, 1997, Ban, Italy.— Aachen: ERUDIT Service Center, 1997.—pp.258−260.
  103. Viattchenin D.A. Theoretical Notes on Fuzzy Intolerances. // Pattern Recognition and Information Processing: Proceedings of Sixth International Conference15.17 May 2001, Minsk, Republic of Belarus). Vol. 2/Ed. by S. Ablameyko et al.
  104. Minsk, Institute of Engineering Cybernetics of the National Academy of Sciences of Belarus, 2001. — pp. 142−146.
  105. Vila M.A., Delgado M. Problems of Classification in a Fuzzy Environment // Fuzzy Sets and Systems.— 1983.— Vol.3.— pp. 229−239.
  106. Walesiak M. Ugolniona Miara Odleglosci w Statystycznej Analizie Wielowymiarowej. Wroclaw: Wydawnictwo AE- 2002.
  107. Wang X., Chen В., Qian G., Ye F. On the Optimization of Fuzzy Decision Trees // Fuzzy Sets and Systems.— 2000.— Vol. 112.— pp.117−125.
  108. Watada J., Tanaka H., Asai K. A Heuristic Meihod of Hierarchical Clustering for Fuzzy Intransitive Relations // Fuzzy Set and Possibility Theory / Ed. by R.R.Yager.— New York: Pergamon Press, 1982.— pp. 148−166.
  109. Watanabe S. Pattern Recognition: Human and Mechanical. New York: Jonh Wiley & Sons- 1985.
  110. Windham M.P. Cluster Validity for Fuzzy Clustering Algorithms // Fuzzy Sets and Systems— 1981.—Vol.2.—pp. 177−186.
  111. Windham M.P. Geometric Fuzzy Clustering Algorithms // Fuzzy Sets and Systems.—1983.—Vol.3.—pp. 271−280.
  112. Windham M.R. Numerical Classification of Proximity Data with Assignment Measures // Journal of Classification.— 1985.— Vol.2.— pp. l 57−172.
  113. Woodbury M.A., Clive J. Clinical Pure Types as a Fuzzy Partition // Journal of Cybernetics.— 1974—Vol. 3. —pp. 111−121.
  114. Wright W. A Formalization of Cluster Analysis // Pattern Recognition Letters. — 1975.—Vol. 5.—pp.273−282.
  115. Yeh R.T., Bang S.Y. Fuzzy Relations, Fuzzy Graphs and Their Applications to Clustering Analysis // Fuzzy Sets and Their Applications to Cognitive and Decision Processes / Ed. by L.A. Zadeh and al. — New York: Academic Press. — 1975 — pp.125−149.
  116. Yuan Y., Shaw M.J. Induction of Fuzzy Decision Trees // Fuzzy Sets and Systems.—1995.—Vol.69.— pp.125−139.
  117. Zadeh L.A. Fuzzy Sets // Information and Control.— 1965.— Vol.8.— pp.338 356.
  118. Zadeh L.A. Similarity Relations and Fuzzy Ordermgs // Information Sciences. —1971.— Vol.3.— pp. 177−200.
  119. Anderson E. The Irises of the Gaspe Peninsula // Bulletin of the American Iris Society. — 1935. — Vol. 59. — pp.2−5.
  120. В.Г. Технологические основы гибких автоматических производств. — JL: Машиностроение. — 1985. —124 с.
  121. Ю.А. Равенство, сходство, порядок. — М.: Наука. — 1971. —-350 с.
  122. Автоматизация проектирования сложных систем / Сборник ЛИТМО.— Л1986. — 187 с.
  123. А.Г., Авен О. И., Кульба В. В., Косяченко С. А. Формализованное представление результатов анализа и проектирование автоматизированных систем управления. — М.: ИЛУ РАН. — 1970. — 40 с.
  124. Обработка нечеткой информации в системах принятия решений / A.ti. Борисов, А. В. Алексеев. Г. В. Меркурьева и др. — М.: Радио и связь, 1989. —304с.
  125. К.Асаи, Д. Ватада, С. Иваи и др. Прикладные нечеткие системы. / Под ред. Т. Тэрано, К. Асаи, М. Сугэно- Пер. с япон. — М.: Мир. — 1993. —368с.
  126. А. Введение в теорию нечетких множеств. — М.: Радио и связь.1982,—146 с.
  127. А.Н., Тарасов В. Б. Нечеткое отношение моделирования и его применение в психологии и искусственном интеллекте. — М: Вычислительный центр АН СССР. — 1986.—36 с.
  128. А.Р., Рудник Б. Л., Тихомиров А. А. Математические методы имодели формирования организационных структур управления. — М: МГУ.-1982. —232 с.
  129. Bellman R., Kalaba R., Zadeh L.A. Abstraction and Pattern Classification // Journal of Mathematical Analysis and Applications. — 1966. — Vol. 13. — pp. 1−7.
  130. Behr D., Kocher R., Strackeljan J. Fuzzy Pattern Recognition for Automatic Detection of Different Teeth Substances // Fuzzy Sets and Systems. — 1997. — Vol.85.pp.275−286.
  131. Bezdek J. C, Harris J.D. Fuzzy Partitions and Relations: An Axiomatic Basis for Clustering // Fuzzy Sets and Systems. —1978. —Vol.1. —pp.111−127.
  132. Dave R.N., Sen S. Robust Fuzzy Clustering of Relational Data // IEEE Transactions on Fuzzy Systems. — 2002. — Vol. 10. — pp.713−727.
  133. JI.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Пер. с англ.- под ред. Н. Н. Моисеева и С. А. Орловского.—-М: Мир. — 1976.—165 с.
  134. Д.А. О пересечении нечетких кластеров // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник трудов Международного научно-практического семинара, Коломна, 17−18 мая 2001. — М.: Наука, Физматлит. — 2001.—С. 122−126.
  135. Bellacicco A. Fuzzy Classification// Synthese — 1976.— Vol. 33.— pp.273 281.
  136. А.Ф. Отношение сходства нечетких понятий-классов // Управление при наличии расплывчатых категорий // Тезисы докладов 4-го научно-технического семинара.— Фрунзе. — 1981.— С. 79.
  137. Bezdek J. C, Hathaway R.J., Howard R.E., Wilson С.A. Coordinate Descent and Clustering // Control and Cybernetics. — 1986. — Vol. 15. — pp. 195−204.
  138. Chakrabarty M.K., Das M. On Fuzzy Equivalence. Part 1 // Fuzzy Sets and Systems. — 1983.—Vol.11.—pp. 185−194.
  139. Chakrabarty M.K., Das M. On Fuzzy Equivalence. Part 2 // Fuzzy Sets and Systems. — 1983. — Vol.11. — pp.299−308.
  140. Degani R., Bortolan G. Fuzzy Numbers in Computerized Electrocardiography // Fuzzy Sets and Systems.— 1987.— Vol. 24.— pp.345−362.
  141. Dubes R.C., Jain A.K. Clustering Techniques: The User’s Dilemma // Pattern Recognition. — 1976.— Vol. 8, —pp.247−260.
  142. Dubois, D.- Jaulent, M.C. Some Techniques for Extracting Fuzzy Regions // Proceedings of First IFSA Congress (July 1−6, 1985, Mallorca, Spain). Vol. П / Mallorca. — 1985, — pp.112−128.
  143. Gitman J. An Algorithm for Nonsupervised Pattern Classification // IEEE Transactions on Systems, Man, and Cybernetics. — 1973.— Vol. SMC-3. — pp.66−74.
  144. Gitman J., Levine M.D. An Algorithm for Detecting Unimodal Fuzzy Sets and Its Application as a Clustering Technique // IEEE Transactions on Computers.-- 1970.1. Vol. C-19. — pp.583−593.
  145. Hirota K. Concepts of Probabilistic Sets // Fuzzy Sets and Systems. — 19 811. Vol.1.—pp.31−46.
  146. Hirota K., Pedrycz W. Characterization of Fuzzy Clustering Algorithms in Terms of Entropy of Probabilistic Sets // Pattern Recognition Letters.— 1984.--Vol 2pp. 213−216.
  147. Jain R. Applications of Fuzzy Sets for the Analysis of Complex Scenes // Advances of Fuzzy Set Theory and Applications / Ed. by M.M. Gupta. — Amsterdam: North-Holland Publishing Company. — 1979. —pp. 577−587.
  148. Kaymak U., Semes M. Fuzzy Clustering With Volume Prototypes and Adaptive Cluster Merging // IEEE Transactions on Fuzzy Systems.— 2002.— Vol. 10 —- pp.705 712.
  149. Ruspini E.H. Numerical Methods for Fuzzy Clustering // Information Sciences.— 1970.— Vol.2.— pp.319−350.
  150. Ruspini E.H. Optimization in Sample Descriptions — Data Reduction and Pattern Recognition Using Fuzzy Clustering // IEEE Transactions on Systems, Man, and Cybernetics.— 1972.— Vol. SMC-2.— pp.541.
  151. Ruspini E.H. New Experimental Results in Fuzzy Clustering // Information Sciences.— 1973.—Vol.6.—pp.273−284.
  152. Gitman J. An Algorithm for Nonsupervised Pattern Classification // IEEE Transactions on Systems, Man, and Cybernetics. — 1973.— Vol. SMC-3. —pp.66−74.
  153. Bezdek J.C. Cluster Validity with Fuzzy Sets // Journal of Cybernetics — 1974.1. Vol.3. —pp.58−73.
  154. Bezdek J.C. Numerical Taxonomy With Fuzzy Sets // Journal of Mathematical Biology. — 1974. — Vol.1. — pp.57−71.
  155. Bezdek J. C, Dunn J.C. Optimal Fuzzy Partitions: A Heuristic for Estimating the Parameters in a Mixture of Normal Distributions // ШЕЕ Transactions on Computers.1975. —Vol. C-24. — pp.835−838.
  156. Bezdek J.C. A Physical Interpretation of Fuzzy ISODATA // IEEE Transactions on Systems, Man, and Cybernetics. — 1976. — Vol. SMC-6. — pp.387−389.
  157. Bezdek J. C, Castelaz P.F. Prototype Classification and Feature Selection with Fuzzy Sets // IEEE Transactions on Systems, Man, and Cybernetics. — 1977.— Vol. SMC-7.— pp.87−92.
  158. Bezdek J. C, Windham M.P., Ehrlich R. Statistical Parameters of Cluster Validity Functionals // International Journal of Computer Information Sciences. — 1980. — Vol. 9. —pp.323−336.
  159. Bezdek J. C, Tsao E.C.-K., Pal N.R. Fuzzy Kohonen Clustering Networks // Proceedings of the IEEE International Conference on Fuzzy Systems.— San Diego. — 1992.—pp. 1035−1043.
  160. Bortolan G., Degani R., Hirota K., Pedrycz W. Classification of ECG Signals
  161. Utilization of Fuzzy Pattern Matching // Proceedings of International Workshop on Fuzzy Systems Application. — Iizuka. — 1988. — p.88.
  162. Couturier A., Fioieau B. Recognising Stable Corporate Groups: A Fuzzy Classification Method // Fuzzy Economic Review. — 1997. — Vol. II. — pp.35−45.
  163. Di Mori R., Laface P. Use of Fuzzy Algorithms for Phonetic and Phonenic Labeling of Continuous Speech // IEEE Transactions of Pattern Analysis Machines Intelligent. — 1980.— Vol. PAMI-2. — pp. 136−148.
  164. Gustafson D.E., Kessel W.C. Fuzzy Clustering With a Fuzzy Covariance Matrix // Advances in Fuzzy Set Theory and Applications / Ed. by M.M. Gupta, R.K. Ragade, R.R. Yager. — Amsterdam: North-Holland Publishing Company. — 1979. — pp.605 620.
  165. Hirota K., Iwami K., Pedrycz W. FCM-AD (Fuzzy Cluster Means with Additional Data) and Its Application to Aerial Images // Proceedings of n JJFSA Congress. Vol. n.—Tokyo. — 1987.—pp.729−732.
  166. Huntsberger T.L., Jacobs C.L., Cannon R.L. Iterative Fuzzy Image Segmentation//Pattern Recognition.— 1985.— Vol. 18.— pp. 131 -138.
  167. H.A., Кульба B.B., Ковалевский С. С., Косяченко С. А. Методы анализа и синтеза модульных информационно-управляющих систем. — М.: Физматлит. —2002. — 800 с.
  168. В.В., Ковалевский С. С., Косяченко С. А., Сиротюк В. О. Теоретические основы проектирования оптимальных структур распределенных баз данных. — М.: Синтег. —1999. — 660 с.
  169. Kotoh К., Hiramatsu К. A Representation of Pattern Classes Using the Fuzzy Sets // Systems Computers Controls. — 1973.— Vol.1−8.— pp.275−282.
  170. P.А., Мирзаханян Э. А. Общая топология. M.: Высшая школа. — 1979. — 224 с.
  171. Г. Теория структур. — М.: ИЛ. — 1952. — 385 с.
  172. Г. Теория решеток. — М.: Наука. — 1984. — 397 с.
  173. Ван дер Варден Б. Л. Алгебра. — М.: Наука. — 1979. — 270 с.
  174. Дж.Л. Общая топология. — М.: Наука. — 1981. — 387 с.
  175. Hirota К. The Bounded Variation Quality and Its Application to Feature Extraction // Pattern Recognition.— 1982.— Vol.2.— pp.93−101.
  176. Hirota K. Ambiguity Based on the Concept of Subjective Entropy // Fuzzy Information and Decision Processes / Ed. by M.M. Gupta, E. Sanchez. — Amsterdam: North-Holland Publishing Company. — 1982.— pp. 29−40.
  177. Hirota K., Pedrycz W. Subjective Entropy of Probabilistic Sets and Fuzzy Cluster Analysis // ШЕЕ Transactions on Systems, Man, and Cybernetics.— 1986. — Vol. SMC-16.—pp. 173−179.
  178. P., Фалб П., Арбиб M. Очерки по математической теории систем. — М.: Мир. — 1971. — 254 с.
  179. Klir G.J., Folger T. Fuzzy Sets, Uncertainty and Information. NJ: Prentice Hall.1988.
  180. А.Г. Лекции по общей алгебре. —M.: Физматгиз. — 1973. — 175 с.
  181. Л.А. Элементы алгебры. —М.: Наука. — 1980. — 187 с.
  182. Л.А. Элементы теории структур. —М.: Наука. — 1982. — 212с.
  183. В.В., Бирюков В. Ф., Тумаркин В. И. Принцип сложности в теории управления. — М.: Наука. — 1977. — 189 с.
  184. В.В., Тумаркин В. И. Принципы синтеза функционально резервированных ИС //Изв. вузов. Приборостроение. — 1984. — Вып. 27, № 9. —-С. 21−30.
  185. В.В. Об автоматизации проектирования систем управления технологическими процессами // Изв. вузов. Приборостроение. — 1977. — T. XX, № 10.— С. 24−34.
  186. В.В. Статистическая динамика линейных систем автоматического управления. —М.: Физматгиз. — 1960. — 175 с.
  187. В.В., Ленский В. Л. Принцип минимальной сложности и регуляризации задач синтеза систем управления // Современные методы проектирования систем автоматического управления. — М.: Машиностроение. — 1967. —С. 79−90.
  188. В.В., Тумаркин В. И. Принцип синтеза динамически резервированных ИС // ДАН. — 1981. — Т. 258, № 2. — С. 308−310.
  189. В.В., Тумаркин В. И. Критерий относительной сложности систем управления и его применение к синтезу линейных нестационарных ИС с учетом надежности подсистем обработки информации // Техническая кибернетика. — 1975. — № 6. — С. 158−167.
  190. В.В., Тумаркин В. И. Системный синтез и теория сложности // Информатика, управление, вычислительная техника. — М.: Машиностроение.1987.—Вып. 1. —С. 57−68.
  191. Балакришнан. А. Введение в теорию оптимизации в гильбертовом пространстве. —М.: Мир. — 1974. — 276 с.
  192. И.М., Виноградская Т. М., Рубчинский А. А., Соколов В. Б. Теория выбора и принятия решений. — М.: Наука. — 1982. — 218 с.
  193. Ю.А., Травкин С. И., Якимец В. И. Многокритериальные модели формирования и выбора вариантов систем. — М.: Наука. — 1986. — 423 с.
  194. Дж. Большие системы: связность, сложность и катастрофы: Пер. с англ. — М.: Мир. — 1982. — 375 с.
  195. X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. — М.: Мир. — 1985. — 289 с.
  196. А.А. Введение в теорию кодирования. — М.: Наука. — 1982. — 165 с.
  197. К. Динамические задачи дискретной оптимизации. — М.: Радио и связь. — 1985. — 234 с.
  198. В.Н. Введение в комбинаторные методы дискретной математики. — М.: Наука. — 1982. — 165 с.
  199. К.А. (ред.) Комбинаторный анализ. —М.: Наука— 1982. — 180с.
  200. Sugeno М. Theory of Fuzzy Integrals and Its Applications. Ph.D. Thesis. Tokyo: Institute of Technology- 1971.
  201. Sugeno M. Constructing Fuzzy Measure and Grading Similarity of Patterns by Fuzzy Integrals // Transactions of SICE.—1973.— Vol.9.—pp.359−367.
  202. B.C., Волкович В.JI. Вычислительные методы исследования и проектирования сложных систем.. —М.: Наука. — 1982. —238 с.
  203. В.А. Основы дискретной математики. — М.: Высшая школа. — .1986. —364 с.
  204. И.М., Статников Р. Б. Выбор оптимальных параметров в задачах со многими критериями. — М.: Наука. — 1981. — 174 с.
  205. Н.С., Подкопаев Б. П. Структурная теория автоматного контроля цифровых автоматов. —М.: Машиностроение. — 1982. — 178 с.
  206. Д.Б. Математические методы оптимизации устройств и алгоритмов АСУ. — М.: Радио и связь. — 1982. — 156 с.
  207. Pal S.K., Majumder D.D. Fuzzy Sets and Decision-Making Approaches in Vowel and Speaker Recognition // IEEE Transactions on Systems, Man, and Cybernetics.— 1977.—Vol. SMC-7.—pp.625−629.
  208. Pal S.K., King R.A. On Edge Detection of X-ray Images Using Fuzzy Sets // ШЕЕ Transactions of Pattern Analysis Machines Intelligent.— 1983.— Vol. PAMI-1—pp.67−77.
  209. Pal S.K., King R.A., Hashim A.H. Image Description and Primitive Extraction
  210. Using Fuzzy Sets // ШЕЕ Transactions on Systems, Man. and Cybernetics.— 1983.1. Vol. SMC-13.—pp.94−100.
  211. Pal S.K., Rosenfeld A. Image Enhancement and Thresholding by Optimization of Fuzzy Compactness // Pattern Recognition Letters.— 1990.— Vol. 11.— pp.831−841 Pattern Recognition Letters.— 1985.— Vol. 3.—pp.303−308.
  212. Pedrycz W. Classification' in a Fuzzy Environment // Pattern Recognition Letters, — 1985.—Vol. 3.—pp.303−308.
  213. Pedrycz W. Algorithms of Fuzzy Clustering with Partial Supervision // Pattern Recognition Letters.— 1985.— Vol. 3.— pp.13−20.
  214. Pedrycz W. ECG Signal Classification with the Aid of Linguistic Classifier // Proceedings of the XIV International Conference on Medical and Biomedical Engineering, Espoo 11−16 August 1985.— Espoo, 1985.
  215. Pedrycz W. Techniques of Supervised and Unsupervised Pattern Recognition with the Aid of Fuzzy Set Theory // Pattern Recognition in Practice / Ed by E.S. Gelsema, L.N. Kanal. — Amsterdam: North-Holland Publishing Company, 1986.— pp. 439−448.
  216. Pedrycz W., Gacek A. Feature Selection for ECG Signal Classification with the Aid of Qualitative and Quantitative Criteria // Proceedings of the 7th Hungarian Conference on Biomedical Engineering, 16−18 September 1987.— Hungary: Eszter-gom, 1987.
  217. Pedrycz W. Fuzzy Sets in Pattern Recognition: Methodology and Methods // Pattern Recognition.— 1990.—Vol.23.—pp. 121−146.
  218. Pedrycz W. Formation of Prototypes and Their Confidence Regions in Classification and Concept Formation Problems // Pattern Recognition Letters.— 1991.Vol. 12.—pp.739−746.
  219. Shimura M. Applications of Fuzzy Set Theory to Pattern Recognition // Journal of AACE.—1975.—Vol.19.—pp.243−248.
  220. , C.B. Информационные модели для организации имитационных исследований / C.B. Данилкин, A.B. Сыроид // Инженерная физика. — 2010. — № 3. — С.11−16.
  221. В.А. (ред.) Автоматизация управления. — М.: Радио и связь.— 1984. —243 с.
  222. А.Г., Кульба В. В., Косяченко С. А. Типизация разработки модульных систем обработки данных. — М.: Наука. — 1989. — 287 с.
  223. А.Г., Кульба В. В. Синтез оптимальных модульных СОД.— М.: Наука. — 1986. — 276 с.
  224. С.А., Титаренко Б. Н. Устойчивые методы оценивания. — М.: Статистика. — 1982 —208 с.
  225. А.Г., Кульба В. В., Миронов A.C., Товмасян A.B. Предпроектный анализ структуры информационных потоков и технологии обработки данных при разработке модульных СОД. — М.: ИГГУ РАН. — 1980. — 43 с.
  226. Э. Сверхзвуковые самолеты: Справочное руководство / Пер. с польск.- под ред. В. Г. Микеладзе и Е. В. Зябрева. —М.: Мир. — 1983. — 432 с.
  227. А.Г., Цвиркун А. Д., Кульба В. В. Автоматизация проектирования АСУ. — М.: Энергоиздат. —1981. — 328 с.
  228. В.О. Модели и методы синтеза оптимальных логических: структур и базы метаданных репозитариев распределенных баз данных в АСУ // Автоматика и телемеханика. — 1999. —№ 3. — С. 166−179.
  229. В.В., Сиротюк В. О., Косяченко С. А. и др. Промышленная технология и CASE-средства автоматизированного проектирования баз данных:.
  230. М.: ИПУ РАН. — 1999. — 120 с.
  231. И.П. Основы автоматизированного проектирования: учеб дл^ вузов. — 4-е изд., перераб. и доп. — М.: Изд-во МГТУ им. Н. Э. Баумана. — 2009.430 с.
  232. И.П., Трудоношин В. А. Телекоммуникационные технологии ц сети. — М.: Изд-во МГТУ им. Н. Э. Баумана. — 2000. — 390 с.
  233. Саати T. J1. Элементы теория массового обслуживания и ее приложения. —-М.: Сов. Радио. — 1965. — 423 с.
  234. Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. — М.: Радио и связь. — 1989. —
  235. P.C. Основы информатики. — М.: Экзамен. — 2003. — 320 с.
  236. , C.B. Математическое моделирование информационных процессов в сети с заданной структурой / C.B. Данилкин, Ю. Ю. Громов, О. Г, Иванова, A.B. Лагутин, H.A. Земской, И. И. Пасечников // Инженерная физика. — 2003. —№ 2. —С.44−47.
  237. , C.B. Математическая формализация процесса обучения / C.B. Данилкин, Ю. Ю. Громов, H.A. Земской, О. Г. Иванова, A.B. Лагутин, Т. Лутхон, И. И. Пасечников, В. М. Тютюнник, Т. Г. Самхарадзе // Инженерная физика. — 2005. —№ 3, —С.51−55.
Заполнить форму текущей работой

Сессия? Спокойно!