Помощь в написании студенческих работ
Антистрессовый сервис

Разработка специального математического обеспечения нейросетевого прогнозирования и оптимизации потоков заявок в социо-технических системах

Диссертация: Разработка специального математического обеспечения нейросетевого прогнозирования и оптимизации потоков заявок в социо-технических системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятийчто позволит более… Читать ещё >

Разработка специального математического обеспечения нейросетевого прогнозирования и оптимизации потоков заявок в социо-технических системах (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. СОЦИО-ТЕХНИЧЕСКИЕ СИСТЕМЫ. ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ПОТОКОМ ЗАЯВОК
    • 1. 1. Обзор социо-технических обслуживающих систем
    • 1. 2. Задача прогнозирования потоков заявок
    • 1. 3. Применение нейронных сетей в задачах прогнозирования
    • 1. 4. Цели планирования. Оптимизация загрузки обслуживающих устройств
    • 1. 5. Общая постановка задачи
  • 2. РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПОТОКОВ ЗАЯВОК
    • 2. 1. Нейросетевые модели прогнозирования: модификация и тестирование
      • 2. 1. 1. Постановка задачи прогнозирования
      • 2. 1. 2. Подготовка данных для прогнозирования
      • 2. 1. 3. Применение GRNN сетей
      • 2. 1. 4. Модификация нейронных сетей и методов обучения
      • 2. 1. 5. Тестирование различных нейросетевых моделей, применяемых для прогнозирования коротких временных рядов
    • 2. 2. Многошаговая оптимизация распределения нагрузок
      • 2. 2. 1. Постановка задачи распределения нагрузок
      • 2. 2. 2. Основные этапы оптимизации
      • 2. 2. 3. Локальная оптимизация методами линейного программирования
    • 2. 3. Выводы по второй главе
  • 3. АЛГОРИТМИЗАЦИЯ МЕТОДОВ НЕЙРОСЕТВОГО ПРОГНОЗИРОВАНИЯ И МНОГОШАГОВОЙ ОПТИМИЗАЦИИ
    • 3. 1. Вычислительные схемы и алгоритмы нейросетевых моделей
    • 3. 2. Алгоритмизация оптимизационной задачи
    • 3. 4. Трудоемкость многошаговой последовательной оптимизации
    • 3. 5. Выводы
  • 4. РЕАЛИЗАЦИЯ СПЕЦИАЛЬНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
    • 4. 1. Подсистема прогнозирования потока заявок
    • 4. 2. Подсистема планирования профилактических медицинских осмотров
    • 4. 3. Особенности разработанной медицинской информационной системы
    • 4. 4. Внедрение автоматизированной медицинской системы в рамках МСЧ Стойленского ГОК
    • 4. 5. Оценка эффективности модуля прогнозирования
    • 4. 6. Выводы

Актуальность темы

В последние годы, благодаря развитию информационных технологий, как в фундаментальных, так и в прикладных исследованиях, все более широкое применение получают методы вычислительной математики. И, зачастую, для достижения заданной цели требуется решение нескольких взаимосвязанных задач.

Одним из основополагающих требований, предъявляемых к эффективно функционирующим социо-техническим системам, будь то производственное предприятие или медицинское учреждение, является рациональное управление, которого, в свою очередь, невозможно достичь без проведения качественного планирования. В рамках планирования деятельности системы чаще всего решается задача рационального использования ресурсов. Задача же управления потоком поступающих заявок осталась без должного внимания. Между тем, проведение анализа, прогнозирования и планирования потока заявок позволит повысить общую эффективность функционирования системы.

Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятийчто позволит более эффективно использовать имеющиеся ресурсы обслуживающей системы. В контексте настоящей работы примером таких плановых мероприятий может служить проведение профилактических осмотров в медицинском учреждении.

Как отмечено выше, задача прогнозирования входящего потока исследована недостаточно. Нет формулировки задачи в общем виде, что связано с отсутствием методов, учитывающих особенности прогнозируемой функции, когда заранее неизвестны особенности распределения входящего потока заявок. Эффективным методом решения подобных задач может быть применение универсальных аппроксиматоров широкого класса многомерных нелинейных функций — искусственных нейронных сетей (НС). Актуальной задачей является исследование и разработка более эффективных нейросетевых методов, обеспечивающих прогнозирование коротких зашумленных временных рядов.

По результатам решения задачи прогнозирования, учитывая колебания входных потоков заявок на обслуживание, а также различный состав проходимых заявками элементов системы, возникает задача оптимального распределения планируемых потоков по временным интервалам обслуживания. Поэтому, разработка соответствующего оптимизационного алгоритма позволит улучшить эффективность функционирования социо-технической системы без закупки дополнительного оборудования или других ресурсов и, следовательно, является актуальной задачей.

Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель и задачи исследования

Целью работы является разработка математического и программного обеспечения оптимального распределения планируемых потоков заявок по временным интервалам обслуживания на основе повышения эффективности нейросетевых методов прогнозирования. В соответствии с целью поставлены и решены следующие задачи:

— анализ пригодности нейросетевых структур для прогнозирования коротких временных рядов, их применимость к поставленной задаче, и разработка улучшенных структур сетей и алгоритмов настройки;

— формирование модели обработки потоков заявок и разработка метода оптимизации распределения плановых потоков заявок по временным интервалам обслуживания в социо-технических системах;

— разработка алгоритмов и программных средств прогнозирования потока заявок с последующей оптимизацией распределения загрузки;

— экспериментальное исследование программной модели управления потоком заявок, состоящей из нейросетевой компоненты для прогнозирования входящего потока и комбинаторной компоненты оптимизации планового распределения потоков заявок.

Методы исследования. В работе использованы методы системного анализа, теории искусственных нейронных сетей, многомерной и комбинаторной оптимизации, линейного программирования, статистического анализа и объектно-ориентированного программирования.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

— комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями;

— модифицированный алгоритм обучения обобщенно-регрессионной нейронной сети, отличающийся настройкой отклонения радиальных элементов (нейронов), позволяющий улучшить поведение сети при небольшом количестве обучающих выборок;

— оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей;

— многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимый заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

Практическая значимость работы. Практическая значимость работы заключается в создании специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойлен-ского ГОК и урологического отделения Воронежской областной клинической больницы. Эффект от внедрения заключается в более эффективном использовании ресурсов медицинских учреждений.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Теория активных систем» (Москва, 2001) — XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002) — Международной научно-практической конференции «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003) — Региональной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2003) — Республиканской научной конференции «Современные сложные системы управления» (Воронеж, 2003) — Межвузовских научных конференциях «Системы управления и информационные технологии» (Воронеж, 2001;2002) — VI-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2001;2003) — Международной научной конференции «Системные проблемы надежности, качества информационных и электронных технологий» (Москва, 2004) — научных семинарах кафедры ABC ВГТУ (Воронеж, 2000;2004).

Публикации. По результатам исследований опубликовано 15 печатных работ, в том числе 6 без соавторов. В работах, опубликованных в соавторстве, лично соискателем предложены: [4, 7, 12] - нейросетевые методы прогнозирования- [8, 13] - критерии и основные этапы планирования профилактических медицинских осмотров- [1, 3] - общий состав автоматизированных рабочих мест в медицинской системе.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 122 наименований. Основная часть изложена на 128 страницах, содержит, 45 рисунка и 14 таблиц.

5. Результаты работы реализованы в виде специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах, внедренного в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойленского ГОК и урологического отделения Воронежской областной клинической больницы.

6. Основные программные модули прошли регистрацию в Государственном фонде алгоритмов и программ.

ЗАКЛЮЧЕНИЕ

.

В результате решения задачи оптимизации планирования загрузки обслуживающих систем на основе повышения эффективности нейросетевых методов прогнозирования потока заявок были получены следующие результаты:

1. Предложена комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способности.

2. Предложен модифицированный алгоритм настройки обобщенно-регрессионной нейронной сети, позволяющий настроить отклонения радиальных элементов (нейронов) таким образом, чтобы улучшить поведение сети при небольшом количестве обучающих выборок.

3. Разработан многошаговый метод оптимизации долгосрочного планирования, учитывающий различный набор обслуживающих элементов, проходимых заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

4. Предложены оптимизационная модель, критерии и алгоритм выбора типа заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке мощностей.

Показать весь текст

Список литературы

  1. Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика, 1995. N4. — с. 106−118.
  2. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985. 487 с.
  3. А.В. Анализ, синтез и планирование решений в экономике. М.: Финансы и статистика, 2002, 368 с.
  4. А.В., Галкин С. В., Зарубин B.C. Методы оптимизации (Сер. Математика и техническом университете). М.: Из-во МГТУ им. Н. Э. Баумана, 2001.-440 с.
  5. Баженова И.Ю. Visual С++ 6.0. М.: Диалог-МИФИ, 1999. 416 С.
  6. И. Т. Анализ и планирование финансов хозяйствующего субъекта. М.: Финансы и статистика, 2000. 156 с.
  7. С.А. Разработка и исследование моделей и механизмов оптимизации и оценки календарных планов в управлении проектами: Дис. доктора техн. наук: 05.13.10. Воронеж, 1999. 400 л.
  8. В.И. Рационализация управления медицинским обслуживанием населения региона на основе информационного мониторинга и моделей конечных результатов: Дис.канд. мед. наук: 05.13.09. Воронеж, 1998. -130л.
  9. П.П., Печинкин А. В. Теория массового обслуживания. М.: РУДН, 1995.-529 с.
  10. Д. Временные ряды. Обработка данных и теория. М.: Мир., 1980.-536с.
  11. А.В. Эффективный менеджмент: Учеб. для вузов по эконом. спец. М.: Финпресс, 2000. 1056 с.
  12. А.В., Первозванский А. А. Локальная аппроксимация на искусственных нейросетях / Автоматика и телемеханика, 1995. N9. — с. 127 136.
  13. C.JI. Управление инновационными процессами в здравоохранении региона на основе рационализации доклинических исследований и ресурсного обеспечения: Дис. канд. мед. наук: 05.13.01. Воронеж, 2001. -156 л.
  14. А.В., Лях Ю.Е. Структура телемедицинских систем удаленного консультирования. / Современные проблемы информатизации: Тезисы докладов IV Международной электронной научной конференции. Воронеж, 1999. с. 54.
  15. Е.А. Ряды: учеб. для вузов. 2-е изд. (Сер. Математика и техническом университете) / Под ред. Зарубина B.C., Крищенко А. П. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. 612 с.
  16. В.В. Информационная структура алгоритмов. М. МГУ, 1997.- 139 с.
  17. Н.А., Неганов В. А., Нефедов Е. И., Романчук П. И. Кван-тово-механические эффекты при работе ионных каналов. / Вестник новых медицинских технологий. 1997, № 1−2. — с. 16.
  18. М.В. Биофизика: Учеб. руководство. М.: Наука, Гл. ред. физ.-мат. лит., 1988. 592 с.
  19. А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая ред. Галушкина А. И. М.: ИПРЖР, 2000. 416 с.
  20. Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.
  21. Главные компоненты временных рядов: метод «Гусеница», Под редакцией Д. Л. Данилова и А. А. Жиглявского. Санкт-Петербургский университет, 1997.-310 с.
  22. .В., Коваленко И. Н. Введение в теорию массового обслуживания. 2-е изд., перераб. и доп., М.: Наука, 1987. 336 с.
  23. В.Б. Прогнозирование временных рядов по разнородной информации. Новосибирск: Наука. Сибирская издательская фирма РАН, 1999. — 88 с.
  24. Г .Я. Основы менеджмента. Таганрог: ТРТУ, 1995, -148 с.
  25. А. Н. Обучение нейронных сетей. М.: СП Параграф, 1990. -159 с.
  26. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276 с.
  27. Д.Д., Стакун В. А., Стакун JI.A. Математические методы построения прогнозов. М.: Радио и связь, 1997.— 112 с.
  28. Е.Б. Разработка рациональной организационной структуры управления многопрофильным лечебным учреждением на основе компьютерных технологах: Дис.. канд. мед. наук: 05.13.09. Воронеж, 2000. 114 л.
  29. Д.Б. Линейное программирование, его применения и обобщения. М: Прогресс, 1966. 600с.
  30. К. Введение в системы баз данных 6-е изд. Киев: Диалектика, 1998.-784 с.
  31. О.П. Прогнозирование и рациональный выбор лечебно-профилактических мероприятий на основе моделирования и формирования гинекологического мониторинга: Дис.канд.мед.наук: 05.13.09.-Воронеж, 1998.- 173 л.
  32. А., Мао Ж., Моиуддин М. Введение в искусственные нейронные сети. / Открытые системы, 1997. -N4. с. 16−24.
  33. М. Харт. Системное программирование в среде Win32 2-е издание. М.: Вильяме, 2001. — 464 с.
  34. Л.Б. Управление лечебно-диагностическим процессом в дневном стационаре поликлиники на основе компьютерных технологий: Дис.канд. мед. наук: 05.13.09. Воронеж, 1996. 201 л.
  35. В., Круглов В. Математические пакеты расширения MathLab. С-Пб.:Питер-пресс, 2001, 475 л.
  36. Л.Ю. Автоматизация управления лечебно-диагностическими процессами в медицинских учреждениях на основе оптимизационных моделей и экспертного оценивания: Дис.. доктора техн. наук: 05.13.09.-Воронеж, 1999. 267 л.
  37. И.В. Нейронные сети: основные модели / Учебное пособие. Воронеж: ВГУ, 1999. 76 с
  38. E.JI. Оптимизация структурных компонентов функционирования ЛПУ в условиях инновационных процессов медицинского обслуживания: Дис. канд. техн. наук: 05.13.09. Воронеж, 2000. 120 л.
  39. Г. И., Каштанов В. А., Коваленко И. Н. Теория массовогооб-служивания: Учеб. пособие для вузов. / М.: Высш. школа, 1982. 256 с.
  40. Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильяме», 2001. 288 с.
  41. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002. 382 с.
  42. Г. Г. Проблема выбора информационной системы для лечебно-профилактического учреждения. / Медицина и жизнь, 2002. N12. — с. 43.
  43. Г. Г. Экономический эффект от использования информационных систем в лечебно профилактических учреждениях. / МедКомТех: Сб. тр., — М., 2003. — с. 71.
  44. С., Николе Дж. От нейрона к мозгу. М.: Мир, 1979. 440с.
  45. М.А., Солдатов Е. А., Терехов А. С. Информатизация подсистемы здравоохранения на прмере медсанчасти Стойленского ГОК / Теория активных систем: Сб. тр. Москва: ИЛУ им. В. А. Трапезникова, 2001. -т.2. с. 109.
  46. М.А., Терехов А. С. Типовая интегрированная информационная система (ИИС) медико-санитарной части (МСЧ) предприятия на примере МСЧ стойленского ГОК / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2001. — с. 95−99.
  47. Н. Прогнозирование прибыли. М.: Финансы, 1995. 204с.
  48. Н. Комбинаторика для программистов. М.: Мир, 1985. -374 С.
  49. А.Н. Введение в вычислительную линейную алгебру. Новосибирск: Наука, 1991. 228 с.
  50. С.А. Моделирование и оптимизация программмно-ситуационных структур управления медицинским обслуживанием промышленного развитого региона: Дис.. канд. техн. наук: 05.13. 01.-Воронеж, 2001.- 151 л.
  51. М., Пайперт С. Персептроны. М.: Мир, 1971.-261 с.
  52. Е.М. Нейрокомпьютер. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 418 с.
  53. Е.А. Управление многопрофильным стандартом на основе моделирования и компьютеризации организационной и лечебно-диагностической деятельности: Дис. доктора мед. наук: 05.13.09. Воронеж, 1998.-387 л.
  54. В.Н. Моделирование принятия решений в автоматизированной системе управления региональным энергопотреблением: Дис.. канд. техн. наук: 05.13.16−05.13.06. Воронеж, 2002. 158 л.
  55. Нейронные сети: история развития теории. Кн. 5 / Под ред. Галушкина А. И., Цыпкина Я. З. М.: ИПРЖР, 2001. 840 с.
  56. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. М.: Горячая линия -Телеком, 2000. — 182 с.
  57. Нейросетевые системы управления / Терехов В. А., Ефимов Д. В., Тюкин И. Ю. и др. СПб: Издательство С-Петербургского университета, 1999. 264 с.
  58. Ю., Скрайбнер К., Дэвид К. MFC и Visual С++ 6. Энциклопедия программиста. М.: ДиаСофтЮП, 2003. 992 с.
  59. С. Нейронные сети для обработки информации / Пер. с польского Рудинского И. Д. М.: Финансы и статистика, 2002, 344 с. (33)
  60. X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. М: Мир, 1985, 512с.
  61. Ф.П., Тарасенко Ф. П. Введение в системный анализ. М: Высшая школа, 1989. 367 с.
  62. C.JI. Оптимизация управления региональным лечебно-диагностическим комплексом на основе интеграции медицинских и компьютерных технологий: Дис. доктора мед. наук: 05.13.09. Воронеж, 1998. 268 л.
  63. Е.С., Терехов А. С. Планирование профилактических медицинских осмотров на основе прогнозов посещаемости / Современные системы управления: Сб. тр. Воронеж, 2003. — т.2 с. 83−86.
  64. С.Л., Терехов А. С. Использование нейросетевых методов при прогнозировании потока пациентов медсанчасти / Математические методы в технике и технологиях: Сб. тр. Тамбов: ТГТУ, 2002. — т.5. с. 50.
  65. С.Л. Рационализация управления поликлиническим медицинским учреждением на основе прогоностических оптимизационных моделей: Дис. канд. мед. наук: 05.13.09. Воронеж, 1999. 118 с.
  66. А.И. Социология организаций. М.: Наука, 1980. 256 с.
  67. Э., Нивергельт Ю. Комбинаторные алгоритмы. Теория и практика. М: Мир, 1980. 470 с.
  68. О.В. Моделирование и рациональный выбор лечения на основе биомедицинской интегрированной учебно- исследовательской системы: Дис. доктора техн. наук: 05.13.09. Воронеж, 1996. 295 л.
  69. Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга). М.: Энергия, 1965. 480 с.
  70. Т.Л. Элементы теории массового обслуживания и ее приложения. / Пер. с англ. М.: Сов. радио, 1971. 520 с.
  71. С.Н. Автоматизированная медико-технологическая система для лабораторной службы лечебной службы лечебно-профилактических учреждений: Дис.канд. техн. наук: 05.13.09. Курск, 1998. -235 л.
  72. В.Е., Шарапов В. М. Эволюционно-параметрическая оптимизация RBF-сети // нейрокомпьютеры: разработка, применение. N5, 2003. — с.41−49.
  73. Е. Н., Вайткявичюс Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. 238 с.
  74. Е. Н., Шмелев Л. А. Нейробионика. (Организация нейро-подобных элементов и систем). М.: Наука, 1983. 280 с.
  75. .Я. Автоматизированный анализ информации для управления качеством стационарного обслуживания в условиях обязательного медицинского страхования: Дис.канд.техн.наук: В форме науч. доклада: 05.13.09. Воронеж, 1995.-е. 16.
  76. Д.В., Терехов А. С. Персептронный распознаватель образов / М.:ФАП ВНТИЦ, 2003, № 50 200 300 751.
  77. И.С., Клюкин В. И., Пивоварова Р. П. Нейронные сети. Введение в современную информационную технологию. Воронеж: ВГУ, 1994.-224 с.
  78. А.С., Подвальный Е. С. Прогнозирование посещаемости поликлиники с использованием нейросетей / М.:ФАП ВНТИЦ, 2003, № 50 200 300 135.
  79. А.С., Подвальный Е. С. Регистратура медико-санитарной части / М.:ФАП ВНТИЦ, 2003, № 50 200 300 136.
  80. А.С. Задача планирования профилактических медицинских осмотров / Современные проблемы информатизации в непромышленной сфере и экономике: Сб. тр. Воронеж: ВГТУ, 2003. — с. 55.
  81. А.С. Подзадачи комплексной информационной системы медико-санитарной части / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2001. — с. 84−88.
  82. А.С. Предварительная и постобработка данных при прогнозирование временных рядов с помощью нейронных сетей / Системные проблемы надежности, качества информационных и электронных технологий: Сб. тр. М.: Радио и связь, 2004. 4.6. — С. 148−153.
  83. А.С. Прогнозирование временных рядов с помощью нейронных сетей. / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2002. — с. 76−80.
  84. А.С. Тестирование различных нейросетевых моделей, применяемых для прогнозирования временных рядов. / Системные проблемы надежности, качества информационных и электронных технологий: Сб. тр. -М.: Радио и связь, 2004. 4.6. С. 148−153.
  85. А.С. Этапы решения задачи прогнозирования протока пациентов с использованием нейросетей / Современные проблемы информатизации в непромышленной сфере и экономике: Сб. тр. Воронеж: ВГТУ, 2002.-с. 45.
  86. Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.- 180 с.
  87. Е.Д. Управление в медицинских и социальных системах на основе моделирования и оптимизации дуальных динамических процессов: Дис. доктора техн. наук: 05.13.10, 05.13.09. Воронеж, 1999. 302 с.
  88. Д. Оценка производительности вычислительных систем. М.: Мир, 1981.-576 с.
  89. С.А. Избранные лекции по нейрокомпьютингу. http://neurolec.chat.ru/.
  90. Д.Б., Голыптейн Е. Г. Задачи и методы линейного программирования. М: Сов. радио, 1964. 736 с.
  91. D.A., Chatfield С. & others. A Commentary on Error Measures. / International Journal of Forecasting, 1992. N8. — pp. 99−111.
  92. Armstrong J.S. An Application of Econometric Models to International Marketing. / Journal of Marketing Research, 1970, N7. — pp. 190−198.
  93. Armstrong J.S., Collopy F. Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons. / International Journal of Forecasting, 1992.-N8.-pp. 69−80.
  94. Armstrong J.S. Forecasting Principles website. http://www-marketing.wharton.upenn.edu/forecast/.
  95. J.S. (ed.) Principles of Forecasting: A Handbook for Researchers and Practitioners, Norwell, MA: Kluwer Academic Publishers, 2001. -462 p.
  96. Bates D. Using information technology to reduce rates of medication errors in hospitals. / British Medical Journal (BMJ), 2000. N320. — p. 788.
  97. Box G.E.P., Jenkins G.M. The Time Series Analysis: Forecasting and Control. Holden-Day, 1976. 189 p.
  98. Buchanan B.G., Smith R.G. Fundamentals of expert systems. / Annual Review Computer Science, 1988. N3. — pp. 23−58.
  99. Buchanan W. Election predictions: An empirical assessment. / Public Opinion Quarterly, 1986. N50. — pp. 222−227.
  100. Coiera E. Recent advances: Medical informatics. / British Medical Journal (BMJ), 1995.-N310.-pp. 1381−1387.
  101. Cybenco G. Approximation by superposition of a sigmoidal function / Math. Control Systems and Signals, 1989. N2. — pp. 303−314.
  102. Delaney B. C, Fitzmaurice D.A., Riaz A., Hobbs F.D.R. Can computerised decision support systems deliver improved quality in primary care? / British Medical Journal (BMJ), 1999. N319. — p. 1281.
  103. A. (ed.). The Strategic Management Handbook. New York: McGraw Hill, 1983.-232 p.
  104. Lundsgaarde H. Evaluating medical expert systems. / Soc Sci Med, 1987.-N24.-pp. 805−819.
  105. Makridakis S., Wheelwright S.C., Hyndman R.J. Forecasting Methods and Applications. New York: John Wiley, 1998. 356 p.
  106. Masters T. Signal and Image Processing with Neural Networks: A С++ Sourcebook. New York: Wiley, 1994. 286 p.
  107. Mathews, В. P. and A. Diamantopoulos. Judgmental revision of sales forecasts: Effectiveness of forecast selection. / Journal of Forecasting, 1990. N9. -pp. 407−415.
  108. Muller В., Reinhardt J. Neural Networks. An introduction. Berlin: Springer-Verlag, 1991. 266 p.
  109. Neame R., Kluge E-H. Computerisation and health care: some worries behind the promises. / British Medical Journal (BMJ), 1999. N319. — p. 1295.
  110. Rigby M., Roberts R., Williams J. Integrated record keeping as an essential aspect of a primary care led health service. / British Medical Journal (BMJ), 1998.-N317.-p. 582.
  111. Ripley B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996. 403 p.
  112. Sanders, N. R., Mandrodt К. B. Forecasting practices in U. S. corporations. / Interfaces, 1990. N24. — pp. 92−100.
  113. Shiskin, J. Decomposition of economic time series. / Science, 1958. -N128.-pp. 1539−1546.
  114. Simpson K., Gordon M. The anatomy of a clinical information system. / British Medical Journal (BMJ), 1998. -N316. pp. 1655−1658.
  115. Speckt DF. A generalized regression neural network / IEEE Trans Neural Networks, 1991. -N2(6). pp. 568−576.
  116. Tonks A., Smith R. Information in practice. / British Medical Journal (BMJ), 1996.-N313.-p. 438.
  117. Wayatt J. Hospital information management: the need for clinical leadership. / British Medical Journal (BMJ), 1995.-N311.-pp. 175−178.
  118. Wayatt J. Same information, different decisions: format counts. / British Medical Journal (BMJ), 1999. -N318. p. 1501.
Заполнить форму текущей работой

Сессия? Спокойно!