Математическое моделирование терминальных вычислительных сетей на основе нечетких временных рядов
Сформирован алгоритм на основе теории нечетких множеств для построения временного ряда нечетких тенденций по исходному временному ряду и обратный алгоритм генерации ряда — представителя нечеткой тенденции. Тихонов, Кузьмищев, 2004. Тихонов Э. Е., Кузьмищев В. А. Методы и алгоритмы прогнозирования экономических показателей на ба: е нейронных сетей и модулярной арифметики. Невинномысск… Читать ещё >
Математическое моделирование терминальных вычислительных сетей на основе нечетких временных рядов (реферат, курсовая, диплом, контрольная)
Содержание
В настоящее время резко возрастает сложность создаваемых и эксплуатируемых технических систем. В процессе проектирования и эксплуатации таких систем моделирование является эффективным методом прогнозирования их основных характеристик поведения. Сложные технические системы, такие как вычислительные сети, обладают объективной неопределенностью, что требует дальнейшего расширения инструментария прогностики. Все чаще используются интеллектуальные методы, которые расширяют классическую классификацию прогностических методов и представляют сочетание формализованных процедур обработки информации, полученной по оценкам специалистов-экспертов. Интеллектуальные математические методы прогнозирования применяют в тех случаях, когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования или если недоступны объективные результаты измерений поведения объекта. В этом случае используются оценки экспертов.
Исследования данных и их методов анализа в последние десятилетия оформились в виде отдельного направления, называемого интеллектуальным анализом данных или Data Mining (DM), в котором анализ временных рядов получил понятие интеллектуальный анализ временных рядов или Times-Series Data Mining (TSDM). В работах ряда зарубежных ученых (X. Танаки, К. Хироты, Я. Капржика, В. Педрича) исследованы методы нечеткой регрессии, анализа данных нечетких временных рядов. Среди отечественных ученых данной теме посвящены работы И. З. Батыршина, С. М. Ковалева, Н. Г. Ярушкиной и др.
Несмотря на перечисленные работы, многие задачи анализа нечетких временных рядов остаются нерешенными, в частности, задачи анализа нечетких тенденций и генерации правил распознавания тенденций. Методы анализа нечетких временных рядов могут быть положены в основу создания библиотек имитационных моделей элементов сложных технических систем, в частности, вычислительных сетей.
Перечисленные особенности делают решение научно-технической задачи исследования и разработки нового инструментария прогностики на основе нечетких временных рядов и построения математических моделей конкретных устройств вычислительных сетей актуальным.
Целью диссертации является исследование прогностических возможностей нечетких тенденций нечетких временных рядов и построение на их основе математических моделей элементов вычислительных сетей.
Для достижения поставленной цели необходимо решить следующие задачи.
1. Провести сравнительный анализ существующих методов анализа нечетких временных рядов, выявить их возможности и ограничения.
2. Построить методику распознавания нечетких тенденций временных рядов и методику анализа временного ряда нечетких тенденций.
3. Сформировать алгоритм формирования временного ряда нечетких тенденций по исходному временному ряду и обратный алгоритм генерации ряда — представителя нечеткой тенденции.
4. Разработать метод генерации знаний о нечетких тенденциях в форме правил.
5. Разработать и реализовать программную систему — инструментарий для обработки нечетких временных рядов.
6. Разработать модели элементов вычислительных сетей на основе анализа нечетких временных рядов трафика.
В диссертационной работе использовались современная теория нечетких систем, теория вероятностей, методы математической статистики, теория имитационного моделирования.
Научная новизна работы заключается в следующем.
1. Предложено определение временного ряда нечетких тенденций и разработана методика распознавания нечетких тенденций.
2. Разработаны алгоритмические операции обработки нечетких тенденций, а именно, операция формирования временного ряда нечетких тенденций по исходному временному ряду и обратная операция генерации ряда — представителя нечеткой тенденции.
3. Предложен метод генерации знаний о нечетких тенденциях в форме правил.
4. Разработана математическая имитационная модель терминал-сервера как элемента вычислительной сети, позволяющая оперировать прогнозными данными о трафике и вычислительной загрузке.
5. Исследована эффективность моделирования трафика в терминальных фрагментах вычислительной сети.
Достоверность научных положений, выводов и рекомендаций подтверждена результатами экспериментов, а также результатами использования материалов диссертации и разработанной системы в проектной организации в соответствии с актом внедрения.
Основные положения, выносимые на защиту
1. Временной ряд нечетких тенденций является результативным индикатором развития моделируемого процесса в сложной технической системе, описанного качественно, в лингвистических терминах.
2. Базовыми операциями обработки нечетких тенденций являются алгоритмические операции обработки нечетких тенденций, а именно, операция формирования временного ряда нечетких тенденций по исходному временному ряду и обратная операция генерации ряда -представителя нечеткой тенденции.
3. Нечеткая нейронная сеть предложенной архитектуры является эффективным генератором правил прогнозирования нечетких тенденций.
4. Разработанная математическая имитационная модель терминал-сервера как элемента вычислительной сети на основе временных рядов нечетких тенденций позволяет прогнозировать трафик сервера.
Разработанные методы и алгоритмы позволяют проектировщикам создавать модели элементов вычислительной сети с улучшенными характеристиками, а также сокращать время, затрачиваемое на проектирование вычислительных сетей, за счет моделирования принятых проектных решений.
Результаты диссертации и практические рекомендации использованы при проектировании вычислительной сети в
ФНПЦ ОАО «НПО МАРС» (г. Ульяновск 2006 г.).
Основные положения и результаты диссертации докладывались, обсуждались и получили одобрение на IX национальной конференции по искусственному интеллекту с международным участием (г.Ульяновск, 2004 г.), на Международных конференциях «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике» (г.Ульяновск, 2004, 2005 гг.) и «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г.Москва, 2005 г. и 2007 г.).
В первой главе рассмотрены методы анализа временных рядов. Представлены возможности и ограничения статистических и интеллектуальных моделей. Особое внимание уделено использованию теории нечетких множеств. Изложены основные положения теории нечетких множеств и описаны модели нечетких временных рядов.
Во второй главе описана модель нечетких тенденций. Для описания развития моделируемого процесса в лингвистических терминах введено понятие временного ряда нечетких тенденций. Выделены базовые операции обработки нечетких тенденций и описана их реализация на основе теории нечетких множеств. Описана архитектура нечеткой нейронной сети для генерации правил зависимости.
В третьей главе рассмотрена программная реализация модели нечетких тенденций, содержащая все компоненты системы нечеткого вывода: блоки фаззификации и дефаззификации, блок нечеткого вывода, базу знаний. Для реализации системы нечеткого вывода выбран объектно-ориентированный метод программирования, позволяющий абстрагировать понятия модели нечетких тенденций в виде иерархии классов.
В четвертой главе изложено применение модели нечетких тенденций для моделирования работы узла вычислительной сети в рамках разработки программной системы автоматизированного проектирования ВС. Исследована эффективность моделирования предложенной в работе методики анализа временных рядов по сравнению с другими методами. Изучена возможность применения модели нечетких тенденций в других областях, в частности, в экономике.
Основные результаты и выводы:
1. Выполнен научный анализ современных работ, посвященных использованию мягких вычислений при описании временных рядов. Проведен сравнительный анализ существующих методов построения моделей нечетких временных рядов, выявлены их возможности и ограничения.
2. Разработана модель нечетких тенденций, формализующая лингвистическую форму выражения временного ряда. Предложена методика распознавания нечетких тенденций временных рядов и методика анализа временного ряда нечетких тенденций.
3. Сформирован алгоритм на основе теории нечетких множеств для построения временного ряда нечетких тенденций по исходному временному ряду и обратный алгоритм генерации ряда — представителя нечеткой тенденции.
4. Разработана архитектура нечеткой нейронной сети для генерации знаний о нечетких тенденциях в форме лингвистических правил.
5. Разработана и реализована программная система обработки нечетких временных рядов и построения модели нечетких тенденций.
6. Разработана математическая имитационная модель элемента вычислительной сети — терминал-сервера. Модель позволяет прогнозировать трафик по вычислительной нагрузке и параметрам работы элемента сети.
7. Точность моделирования трафика в терминальных фрагментах сети с использованием методов анализа нечетких временных рядов выше на 3−4%, чем при использовании линейных регрессионных моделей и нелинейных моделей нейронных сетей.
Разработанные методы и алгоритмы позволяют проектировщикам создавать модели элементов вычислительной сети с улучшенными характеристиками, а также сокращать время, затрачиваемое на проектирование вычислительных сетей, за счет моделирования принятых проектных решений.
Результаты диссертации и практические рекомендации использованы при проектировании вычислительной сети в ФНПЦ ОАО «НПО МАРС» (г. Ульяновск 2006 г.).
Заключение
.
В работе выполнено исследование прогностических возможностей нечетких тенденций нечетких временных рядов и построена на их основе математическая модель элемента вычислительной сети. Цель диссертационной работы достигнута.
1. Adorni, Poggi, 1993. Adorni G., Poggi A. An Object-Oriented Language for Distributed Artificial Intelligence // International Journal of Man-Machine Studies. — 1993. Vol.38, No3. P.435−453.
2. Aznarte, Benitez, Castro, 2005. J. L. Aznarte, J.M. Benitez, J. L. Castro Equivalence relationships between fuzzy additive systems for time series analysis and smooth transition models//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.
3. Bachimont, 1995. Bachimont B. Artificial Intelligence as the Science of Intentional: a Proposal // Proceedings of the First World Conference on the Fundamentals for Artificial Intelligence (Paris, France, July 1−5, 1991). — Paris: Masson, 1991—P. 57−71.
4. Baldwin at al., 1998. J.F. Baldwin, T.P. Martin, J.M. Rossiter Time series modeling and predistion using fuzzy trend information, in: Proc. Int. Conf. SC Information/Intelligent Syst., 1998, 499−502.
5. Baldwin, Yadav, 1995. Baldwin D., Yadav S. The Process of Research Investigation in AI — an Unified View // IEEE Transactions on Systems, Man and Cybernetics. — 1995. Vol.25, No5. -P.852−861.
6. Bandler, Kohout, 1980. Bandler W., Kohout L. Fuzzy power sets and fuzzy implication operators. Fuzzy Sets and Systems, 4,1980, 13−30.
7. Batyrshin at al., 2002. Batyrshin I., Kaynak O., Rudas I. Fuzzy modeling based on generalized conjunction operations, IEEE Transactions on Fuzzy Systems, Vol. 10, N5, 2002, 678−683.
8. Batyrshin at al., 2007. Batyrshin I., Herrera-Avelar R., Sheremetov L., Panova A. Moving approximation transform and local trend associations in time series data bases. In: Perception-based Data Mining and Decision Making in.
9. Economics and Finance. Series: Studies in Computational Intelligence, Vol. 36. 2007, Springer, 55−83.
10. Batyrshin, 1990. Batyrshin I.Z. On fuzzinesstic measures of entropy on Kleene algebras.- Fuzzy Sets and Systems.- V. 34,1, 1990. P. 47−60.
11. Batyrshin, 2003. Batyrshin I. On the structure of involutive, contracting and expanding negations. Fuzzy Sets and Systems, v. 139,3, 2003, 661 — 672.
12. Batyrshin, Kaynak, 1999. Batyrshin I., Kaynak O. Parametric classes of generalized conjunction and disjunction operations for fuzzy modeling. IEEE Transactions on Fuzzy Systems, 7, 5, 1999, 586−596.
13. Batyrshin, Sheremetov, 2005. I. Batyrshin, L. Sheremetov, Towards perception based time series data mining, in: BISCSE'2005, University of California, Berkeley, USA, 2005, 106−107.
14. Batyrshin, Sheremetov, 2006. I.Z. Batyrshin, L.B. Sheremetov, Perception based associations in time series data bases, in Proceedings of NAFIPS 2006.
15. Batyrshin, Sheremetov, 2007a. I. Batyrshin and L. Sheremetov Perception Based Time Series Data Mining for Decision Making//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic, pp209−219.
16. Bellman, Giertz, 1973. Bellman R.E., Giertz M. On the analytic formalism of the theory of fuzzy sets. Inform. Sci., 5,1973, 149−156.
17. Bothe, 1997. Bothe H.-H. Fuzzy Neural Networks. Prague: IFSA, 1997.
18. Bowennan, O’Connell, 1979. B.L. Bowennan, R.T. O’Connell, Time series and forecasting: an applied approach, Mass., Duxbury Press, 1979.
19. Celmins, 1987. A. Celmins, Least squares model fitting to fuzzy vector data, Fuzzy Sets and Systems, v.22 n.3, p.245−269, June 1987.
20. Cheung, Stephanopoulos, 1990. J.T. Cheung, G. Stephanopoulos, Representation of process trends. Part I. A formal representation framework, Computers and Chemical Engineering, Vol. 14,1990,495−510.
21. Dadone, 2001. Dadone P. Design Optimization of Fuzzy Logic Systems / Dissertation in partial fulfillment of the requirements for the degree of Doctor of Philosophy in Electrical Engineering. Blacksburg, Virginia, 2001. p. 183.
22. Das at al., 1998. G. Das, K.I. Lin et al, Rule discovery from time series, in: KDD, 1998, 16−22.
23. Deneubourg et al., 1993. Deneubourg J.-Leial. Self-Organization and Life: from Simple Rules to Global Complexity // Proceedings of Second European Conference on Artificial Life (Bruxelles, 1993).
24. Diamond, 1988. Phil Diamond, Fuzzy least squares, Information Sciences: an International Journal, v.46 n.3, p. 141−157, Dec. 1988.
25. Dinsmore, 1992. Dinsmore J. (Ed.) The Symbolic and Connections Paradigms: Closing the Gap. — Hilbdale N.J.: Lawrence Erlbaum Association, 1992.
26. Dubois at al., 2005. D. Dubois, H. Prade, T. Sudkamp, On the representation, measurement, and discovery of fuzzy associations, IEEE Trans. Fuzzy Systems, Vol. 13,2005, 250−262.
27. Dubois, 1979. Dubois D., Prade H. Fuzzy Real Algebra: Some Results // Fuzzy Sets and Systems, 2, 1979.
28. Dubois, 1980. Dubois D., Prade H. Fuzzy Sets and Systems. N.Y., Academic Press, 1980.
29. Elder, Abbott, 1998. John F. Elder, Dean W. Abbott A Comparison of Leading Data Mining Tools // Fourth International Conference on Knowledge Discovery & Data Mining. New York, 1998.
30. Errico, Aiello, 1996. Errico В., Aiello L. Intelligent Agents in the Situation Calculus: an Application to User Modelling // Proceedings of International.
31. Conference on Formal and Applied Practical Reasoning / Ed. by D. M. Gabbay and H.J.Ohldach. Berlin: Springer Verlag, 1996. — P. 126−140.
32. Esteva, 1986. Esteva F. On Negations and Algebras in Fuzzy Set Theory. Report No. UCB/CSD 87/330, 1986, Berkeley, California.
33. Fanabashi et al., 1995. Fanabashi M., Maeda A., Morooka Y., Mori K. Fuzzy and Neural Hybrid Expert Systems: Synergetic Al // IEEE Expert. 1995 August. — P. 32−40.
34. Feng, 2001. Y. Feng, L. Hu, H.Shu. The variance and covariance of fuzzy random variables, Fuzzy sets and systems 120(2001) 487−497.
35. Fodor, 1994. Fodor J., Roubens M., Fuzzy Preference Modelling and Multicriteria Decision Support. Dordrecht: Kluwer Academic Publishers, 1994.
36. Fyyad at al., 1996. Fyyad, Piatetsky-Shapiro, Smyth and Uthurusamy Advances in Knowledge Discovery and Data Mining, (Charpter 1) AAAI/MIT Press 1996.
37. Hand, 2001. D. Hand, H. Manilla, P. Smyth, Principles of Data Mining, MIT Press, Cambridge, 2001.
38. Hayes-Roth, 1995. Hayes-Roth B. An Architecture for Adaptive Intelligent Systems//Artificial Intelligence. -1995. Vol.72. — P.329−365.
39. Heckerman, 1997. Heckerman D Bayesian Networks for Data Mining. Data Mining and Knowledge Discovery. 1997. № 1. P. 79−119.
40. Herrere F., Magdalena, 1997. Herrere F., Magdalena L. Genetic fuzzy systems. -Prague: IFSA, 1997.
41. Holland, 1975. Holland, J. H. Adaptation in Natural and Artificial Systems. -Ann Arbor: The University of Michigan Press, 1975.
42. Hryniewicz, 2007. O. Hryniewicz Looking for dependencies in short time series using imprecise statistical data//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic.
43. Jang, 1997. Jang J.-S. Roger, Sun С. Т., Mizutani E. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International, 1997.
44. Janson, Frenzel, 1993. Janson D.J., Frenzel J. F. Training Product Unit Neural Networks with Genetic Algorithms// IEEE Expert. — October 1993. — P.26−33.
45. Nahmias, 1979. S.Nahmias. Fuzzy variables in random environment, In: Gupta.
46. Programming and Design. 1996. № 9 Parsaye, 1998. Parsaye K. A Characterization of Data Mining Technologies and.
47. Processes. The Journal of Data Warehousing. 1998. № 1 Pedrycz, Smith, 1999. W. Pedrycz, M.H. Smith, Granular correlation analysis in data mining, Proc. IEEE Int. Fuzzy Systems Conf., Korea, 1999, III-1235 IH-1240.
48. Prokhorov at al., 1998. Prokhorov D.V., Saad E.W., Wunsch D.C. Comparative Study of Stock Trend Prediction Using Time Delay, Recurrent and Probabilistic Neural Networks//IEEE Transactions on Neural Networks. -1998. Vol.6, № 9. P.1456−1470.
49. Puri, Ralesky, 1986. M.D. Puri, D. Ralesky. Fuzzy random variables, J. Math. Anal. Appl. 114(1986)409−422.
50. Rasmussen et al., 1991. Rasmussen J., Brehmer В., Leplat J. (Eds.). Distributed Decision-Making. Cognitive Models for Cooperative Work. — New York: J. Wiley and Sons, 1991.
51. Rasmussen, 1983. Rasmussen J. Skills, Rules and Knowledge: Signals, Signs and Symbols and Their Distictions in Human Performance Models // IEEE Transactions on Systems, Man and Cybernetics. 1983. — Vol. SMC-133. — P. 257−267.
52. Reinschmidt at al., 1999. Joerg Reinschmidt, Helena Gottschalk, Hosung Kim, Damiaan Zwietering Intelligent Miner for Data: Enhance Your Business Intelligence June 1999, International Technical Support Organization, SG 245 422.
53. Russell, Norvig, 1995. Russell S.J., Norvig P. Artificial Intelligence: a Modern Approach. — Englewood Cliffs NJ: Prentice Hall, 1995.
54. Sadovnychyy at al., 2007. V. Sadovnychyy, S. Sadovnychiy, V. Ponomaryov Computational Intelligence Models of the Distributed Technological Complexes//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic.
55. Shapiro, 2005. A. Shapiro Soft computing and statistical techniques from an insurance perspective//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.
56. Sims, 1980. Sims C.A. Macroeconomics and Reality // Econometrica. 1980. V.48. P. l-48.
57. Skala, 1978. Skala H.J. On many-valued logics, fuzzy sets, fuzzy logics and their applications. Fuzzy Sets and Systems, 1, 1978, 129 — 149.
58. Steinbrecher, Kruse, 2007. M. Steinbrecher and R. f Kruse Visualization of Possibilistic Potentials//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic/.
59. Tanaka at al., 1982. H. Tanaka, S. Uejima, K. Asai, Linear regression analysis with fuzzy model, IEEE Trans. Systems Man Cybernet. 12 (1982) 903−907.
60. Turner, 1984. Turner Е. Logics for Artificial Intelligence. — Chichester Ellis Norwood, 1984.
61. Velmisov, Stetsko, Yarushkina, 2007. A. Velmisov, A. Stetsko, N. Yarushkina Data mining for fuzzy relational data servers//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic.
62. Weber, 1983. Weber S. A general concept of fuzzy connectives, negations and implications based on t-norms and t-conorms.- Fuzzy Sets Syst., 11, 1983, 115 134.
63. Yarushkina, Semoushin, 2005. N. Yarushkina, I. Semoushin A Soft computing-based Integration Environment for Assessing the Performance of a Complex Enterprise//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.
64. Yazenin, 1987. Yazenin A.V. Fuzzy and stohastic programming. Fuzzy sets and systems. 1987. V. 22.
65. Yazenin, 1996. A.V.Yazenin, On the problem possibilistic optimization, Fuzzy sets and systems 81(1996) 133−140.
66. Yazenin, 2001. I.A.Yazenin. Minimal risk and efficiency portfolios for fuzzy random data, XXI Seminar on stability problems of stochastic models. Abstracts, Eger, Hungary, 2001, P. 182.
67. Yu at al., 2007. J. Yu, E. Reiter, J. Hunter, C. Mellish, Choosing the content of textual summaries of large time-series data sets, Natural Language Engineering (2007) (To appear).
68. Yu, Pedrycz, Yuan, 2005. F. Yu, W. Pedrycz, J. Yuan Finding Fuzzy Rules from Granular Time series//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.
69. Zadeh, 1965. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. — Vol.8. -P.338 — 353.
70. Zadeh, 1978. L.A.Zadeh. Fuzzy sets as a basis for a theory of possibility, Fuzzy sets and systems 1(1978)3−28.
71. Zadeh, 1979. Zadeh L. A theory of approximate reasoning (AR)// Machine Intelligence, 1979.-V. 9. P. 149−194.
72. Zadeh, 1994. Zadeh L. A. Fuzzy Logic, Neural Network and Soft Computing // Communication of the ACM. 1994. — Vol.37, № 3. — P. 77−84.
73. Zadeh, 1996. Zadeh L. A. Fuzzy Logic = Computing With Words // IEEE Transactions of Fuzzy Systems 1996. — Vol.4. — P. 103−111.
74. Zadeh, 2002. L.A. Zadeh, Toward a perception-based theory of probabilistic reasoning with imprecise probabilities, Journal of Statistical Planning and Inference, vol.105,2002, 233−264.
75. Zhang at al., 2007. L. Zhang, Zh. Pei, and H. Chen Extracting fuzzy linguistic summaries based on including degree theory and FCA//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic.
76. Аверкин и др., 1986. Аверкин А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б., Тарасов В. Б. Нечеткие множества в моделях управления и искусственного интеллекта. — М.: Наука, 1986.
77. Аверкин, Прокопчина, 1997. Аверкин А. Н., Прокопчина С. В. Мягкие вычисления и измерения // Интеллектуальные системы (МГУ). — 1997 — Т 2 вып. 1−4, —С. 93−114.
78. Аверкин, Тарасов, 1986. Аверкин А. Н., Тарасов В. Б. Нечеткое отношение моделирования и его применение в психологии и искусственном интеллекте. — М.: ВЦ АН СССР, 1986.
79. Аверкин, 1982. Аверкин А. Н. Нечеткое отношение моделирования и его использование для классификации и аппроксимации в нечетких лингвистических пространствах. // Изв. АН СССР. Техническая кибернетика.- 1982. N 2. с. 215−217.
80. Аверкин, Головина, 1999. Аверкин А. Н., Головина Е. Ю. Нечеткая семиотическая система управления // Интеллектуальное управление: новые интеллектуальные технологии в задачах управления. — М.: Наука, Физматлит, 1999. —С. 141−145.
81. Андерсон, 1976. Андерсон Т. Статистический анализ временных рядов. М: Мир, 1976;751с.
82. Барский, 2002. Барский А. Б. Обучение нейросети методом трассировки //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. С. 862 — 898.
83. Батыршин и др., 2007. Батыршин И. З., Недосекин А. О., Стецко А. А., Тарасов В. Б., Язенин А. В., Ярушкина Н. Г. Нечеткие гибридные системы. Теория и практика / По ред.Н. Г. Ярушкиной. М.: ФИЗМАТЛИТ, 2007. — 207 с.
84. Батыршин, 1978. Батыршин И. З. О мерах энтропии размытых множеств // Исследование операций и аналитическое проектирование в технике / Под ред. Ю. В. Кожевникова. Казань: Казанск.авиац.ин-т, 1978,40−45.
85. Батыршин, 1987. Батыршин И. З. Меры энтропии и метрические свойства алгебры нечетких множеств //Нечеткие системы: моделирование структуры и оптимизация/Под ред. А. В. Язенина. Калинин: КГУ, 1987, 4 -16.
86. Батыршин, 1995а. Батыршин И. З. Лексикографические оценки правдоподобности с универсальными границами. II. Операции отрицания. Теория и системы управления. Известия РАН, 1995, 5,133−151.
87. Батыршин, 1995b. И. З. Батыршин Методы представления и обработки нечеткой информации в интеллектуальных системах. Новости ИИ. N 5 1995, с. 9−65.
88. Батыршин, 1996. Батыршин И. З. Методы представления и обработки нечеткой информации в интеллектуальных системах // Новости искусственного интеллекта. — 1996. — № 2. — С. 9−65.
89. Батыршин, 2001а. Батыршин И. З. Основные операции нечеткой логики и их обобщения. Казань: Отечество, 2001. — 100с.
90. Батыршин, 2001b. Батыршин И. З. Основные операции нечеткой логики // Новости искусственного интеллекта. — 2001. — № 4. — С. 18−22.
91. Беллманн, Заде 1976. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях // В кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976.
92. Бендат, Пирсол, 1989. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. /Пер. с англ./ Под ред. Коваленко И. Н. М.: Мир, 1989. 540с.
93. Бокс, Дженкинс, 1974. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. /Пер. с англ./ Под ред. В. Ф. Писаренко. М.: Мир, 1974.-406с.
94. Борисов, 1982. Борисов А. Н., Алексеев А. В., Крумберг О. А. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.
95. Борисов, Федоров, 1990. Борисов А. Н., Федоров И. П. Формирование технических решений на основе экспертных знаний. Изв. АН СССР, Техническая кибернетика 5 1990, с. 154−164.
96. Бранд, 2003. Бранд 3. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров: Пер. с англ. М.: Мир, 2003;686с.
97. Букатова и др., 1991. Букатова И. Л., Михасев Ю. И., Шаров А. М. Эвоинформатика. Теория и практика эволюционного моделирования. — М.: Наука, 1991.
98. Бурдо, Тихонов, 2001. Бурдо А. И., Тихонов Э. Е. К вопросу систематизации методов и алгоритмов прогнозирования // Материалы межрегиональной конференции «Студенческая наука экономика научно-технического прогресса». Ставрополь: СевКавГТУ, 2001. — С.33−34.
99. Бутенко, 2002. Бутенко А. А. и др. Обучение нейронной сети при помощи алгоритма фильтра Калмана. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение «: Сб. докл., 2002. С. 1120 — 1125.
100. Бююль, Цефель, 2001. Бююль А., Цефель П. SPSS: искусство обработки информации. СПб.: ДиаСофт, 2001.
101. Голицын, Фоминых, 1996. Голицын Г. А., Фоминых И. Б. Нейронные сети и экспертные системы: перспективы интеграции // Новости искусственного интеллекта. — 1996, —№ 4. —С. 121−145.
102. Головко, 2001. Головко В. А. Нейронные сети: обучение, организация и применение. Кн.4: Учебн. пособие для вузов / Общая ред. Галушкина А. И. -М.: ИПРЖР, 2001.-256с.
103. Горбань и др., 1998. Горбань А. Н., Дунин-Барковский B. JL, Курдин А. Н. и др. Нейроинформатика. Новосибирск: Наука, 1998. — 296с.
104. Горбань, 1998. Горбань А. Н. Обучение нейронных сетей. М.: СП «Параграф», 1990. 159с.
105. Гусак, 2002. Гусак А. Н. и др. Подход к послойному обучению нейронной сети прямого распространения//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение «Сб.докл., 2002. С. 931 — 933.
106. Емельянов, Ясиновский, 1998. Емельянов В. В., Ясиновский С. И.
Введение
в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. — М.: Анвик, 1998.
107. Заде, 1976. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: 1976. — 165с.
108. Перевод с англ. И. З. Батыршина. «Новости Искусственного Интеллекта», 2001, № 2−3, стр.7−11.
109. Захаров, Ульянов, 1994. Захаров В. Н., Ульянов С. В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. IV. Имитационное моделирование // Известия Академии наук: Техническая кибернетика. 1994. — № 5. — С. 168−210.
110. Ивахненко, 1975. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Изд."Техника", 1975 — 312с.
111. Ивахненко, 1981. Ивахненко А. Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук. думка, 1981 — 296с.
112. Кандрашина и др., 1988. Кандрашина В. Ю., Литвинцева JI. В., Поспело Д. А. Представление знаний о пространстве и времени в системах искусственного интеллекта. — М.: Наука, 1988.
113. Кобринский, Фельдман, 1995. Кобринский Б, А., Фельдман А. Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. — 1995. — № 3. — С. 90−96.
114. Ковалев, 2002. Ковалев С. М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем // Известия вузов: Северо-Кавказский регион: Естественные науки. 2002. № 2. -С.10−13.
115. Круглов и др., 2001. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. — 224 с.
116. Круглов, Дли, 2002. Круглов В. В., Дли М. И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. — 256 с.
117. Паклин, 2004. Паклин Н. Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис. к-та техн. наук. Ижевск, 2004. — 162 с.
118. Почепцов, 1998. Почепцов Г. Г. Теория и практика коммуникации. — М.: Центр, 1998.
119. Рутковская и др., 2006. Рутковская Д., Пилиньский М., Рутковский J1. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия — Телеком, 2006.
120. Рыбина, 1993. Рыбина Г. В. Принципы создания автоматизированной технологии проектирования интегрированных экспертных систем // Новости искусственного интеллекта. — 1993. — № 4.
121. Тарасов, 1986. Тарасов В. Б. Нечеткие отношения и моделирование открытых иерархических систем // Математические методы оптимизации и управления в сложных системах. — Калинин: КРУ, 1986. — С. 3−17.
122. Тарасов, 1997. Тарасов В. Б. Системно-организационный подход в искусственном интеллекте// Программные продукты и системы. — 1997. — № 3. —С. 6−13.
123. Тарский, 2000. Тарский JI.
Введение
в логику и методологию дедуктивных наук. — Биробиджан: ИП «Тривиум», 2000.
124. Тейз и др., 1998. Тейз JL, Грибомон П., Юлен Г. и др. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных: Пер с франц. М: Мир, 1998.
125. Тейл, 1977. Тейл Г. Экономические прогнозы и принятие решений. М.: Статистика, 1977.-282 с.
126. Тихонов, Кузьмищев, 2004. Тихонов Э. Е., Кузьмищев В. А. Методы и алгоритмы прогнозирования экономических показателей на ба: е нейронных сетей и модулярной арифметики. Невинномысск: Издательство НИЭУП, 2004. — 166с.
127. Уоссермен, 1992. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М: ЮНИТИ, 1992. — 240с.
128. Фогель и др., 1969. Фогель JL, Оуэне Л., Уояш М. Искусственный интеллект и эволюционное моделирование: Пер, с англ. — М.: Мир, 1969.
129. Хохлов, 2003. М. Ю. Хохлов, А. В. Язенин. Расчет числовых характеристик нечетких случайных величин, Вестник ТвГУ, № 2. Серия «Прикладная математика», выпуск № 1, 2003 г., 39−43.
130. Эделстейн, 1996. Эделстейн Г Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах ComputerWeek-Москва. 1996. № 16. С. 32−33.
131. Язенин, 1984. Язенин А. В. Нечеткие переменные и нечеткое математическое программирование // Модели выбора альтернатив в нечеткой среде. Рига, 1984.
132. Язенин, 1986. Язенин А. В. Нечеткое математическое программирование. Калинин: КГУ, 1986.
133. Язенин, 1987. Язенин А. В. О непрямых методах нечеткого математического программирования // Нечеткие системы: моделирование структуры и оптимизация. Калинин, 1987.
134. Язенин, 1991. А. В. Язенин. Линейное программирование со случайными нечеткими данными, Изв. АН СССР. Техническая кибернетика 3(1991) 52−58.
135. Язенин, 1997. А. В. Язенин. О методе решения одной задачи линейного программирования со случайными нечеткими данными, Изв. РАН. Теория и системы управления 5(1997) 91−95.
136. Язенин, 1999. А. В. Язенин, К задаче максимизации возможности достижения нечеткой цели, Изв. РАН. Теория и системы управления 4(1999) 120 -123.
137. Янбых, Столяров, 1987. Янбых Г. Ф., Столяров Б. А. Оптимизация информационно-вычислительных систем. М.: Радио и связь, 1987.
138. Янч, 1974. Янч Э. Прогнозирование научно-технического прогресса. М.: Изд."Прогресс", 1974.
139. Ярушкина, 2002b. Ярушкина Н. Г. Гибридные системы, основанные на мягких вычислениях, определение, архитектура, теоретические возможности и опыт практического использования // Программные продукты и системы, № 3,2002, с. 19−22.
140. Ярушкина, Наместников, 2002. Ярушкина Н. Г., Наместников A.M. Эффективность генетических алгоритмов для задач автоматизированного проектирования // Известия РАН. Теория и системы управления, № 2, 2002, с. 127−134.
141. DL* 21 19,77 4,93 150 134 X X X X X X 19,77 4,93 150 134 X X X X X X.
142. ADL** 22 16,14 3,03 121 563 X X X X X X 16,14 3,03 121 563 X X X X X X11 jjq*** 22 15,68 3,31 112 136 X X X X X X 15,68 3,31 112 136 X X X X X Xя.