Моделирование информационной системы управления предприятием на основе интеллектуального анализа данных тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Родионов, Константин Владимирович

• Родионов, Константин Владимирович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Родионов, Константин Владимирович

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ИНФОРМАЦИИ 14 И ДАННЫХ, ИСПОЛЬЗУЕМЫЕ ДЛЯ СОЗДАНИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

1.1. Классификация информационных систем, СППР, их состав и 15 решаемые задачи

1.2. Типовые задачи интеллектуального анализа данных

1.3. Методы обработки многомерных данных, используемые при 27 интеллектуальном анализе в интересах поддержки принятия решений

1.4. Проблемные вопросы обработки и анализа многомерных данных в 30 задачах ИАД

1.5. Анализ существующих подходов к обработке информации и 35 обоснованию выбора альтернатив

1.6 Цель и задачи работы

ГЛАВА 2. СОВЕРШЕНСТВОВАНИЕ МЕТОДИЧЕСКОГО 52 ОБЕСПЕЧЕНИЯ ОБРАБОТКИ ИНФОРМАЦИИ С ЦЕЛЬЮ УЧЕТА НЕОПРЕДЕЛЕННОСТИ В ИСХОДНЫХ ДАННЫХ

2.1. Основное содержание методического обеспечения

2.2. Методы снятия неопределенности при обработке многомерных 53 данных в задачах поддержки принятия решений

2.3. Интеграция методов получения обобщенных показателей

2.4. Метод построения обобщенных показателей сложных систем, 65 базирующийся на использовании принципа максимума энтропии Выводы второй главы

ГЛАВА 3. МЕТОДИКА МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ 75 ХРАНИЛИЩА ДАННЫХ НА ОСНОВЕ АНАЛИЗА ИНФОРМАЦИОННОЙ ПОТРЕБНОСТИ ПОЛЬЗОВАТЕЛЕЙ

3.1 Модель описания информационного массива хранилища данных 76 СППР

3.2 Модель оценки и оптимизации хранилища данных СППР на основе 82 информационной потребности пользователя

3.3 Разработка и адаптация сигнальной модели аналитического 90 приложения СППР для анализа предприятий

ГЛАВА 4. ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ НА 103 ПРЕДПРИЯТИИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

4.1. Разработка метода обработки информации в задаче оценивания 103 риска для систем поддержки принятия решения в страховом деле

4.2. Структура интеллектуальной системы управления

4.3. Функции и алгоритм работы интеллектуальной системы управления 126 4.4 Представление знаний в объектно-ориентированной базе данных 129 Выводы четвертой главы 133 ЗАКЛЮЧЕНИЕ

Выводы третьей главы

Введение диссертации (часть автореферата) на тему «Моделирование информационной системы управления предприятием на основе интеллектуального анализа данных»

Актуальность темы. Назначением информационных систем (ИС), независимо от области их применения (в производстве, бизнесе, медицине, образовании, страховании, других областях народного хозяйства) является обеспечение должностных лиц (или лиц принимающих решение - ЛПР) информацией, необходимой для принятия решений в области его деятельности. Стратегическим направлением развития ИС является их интеллектуализация, заключающаяся в построении формализованных процедур обработки, интерпретации и представления информации в виде некоторых показателей (знания), позволяющих их использование непосредственно для принятия управленческого решения в целевой области, т.е. выбора одного из альтернативных вариантов действий ЛПР. В этом случае о подобных ИС говорят как об интеллектуальных информационных системах.

Независимо областей применения ИС они выполняют следующие типовые функции: сбора данных; их обработки, в том числе, направленной на получение сводных показателей; представления данных, результатов обработки и их интерпретации для непосредственного использования ЛПР при принятии решения.

Среди перечисленных функций наиболее сложной для автоматизации с точки зрения построения формальных процедур преобразования данных в информацию, позволяющую ее использование для принятия решения, является построение сводных показателей, характеризующих состояние, эффективность или качество функционирования объекта управления, и их интерпретация.

Если объект управления представляет собой сложную систему, описываемую большим числом характеристик, имеющих различную природу и широкий диапазон значений, когда не очевиден характер связей характеристик объекта между собой и внешними факторами, преобразование данных в сводные показатели качества его функционирования и их интерпретация усложняется и приобретает характер проблемной задачи. Т.е., она не может быть выражена в терминах конкретного класса прикладных задач, для которого имеется соответствующий математический аппарат. В этом случае возникает необходимость выявить и описать факторы, влияющие на состояние объекта, выбрать или разработать методы обработки информации, ориентированные на учет неопределенности, методы представления и интерпретации информации в таком виде, чтобы решение было принято.

В общем виде информационную задачу, которую необходимо выполнять при поддержке принятия решений в указанных условиях, можно сформулировать, как преобразование исходных данных в некоторые сводные показатели свойств объекта управления, которые не поддаются непосредственному измерению.

Эти показатели могут интерпретироваться как некоторое качество объекта управления в целом или определенных его свойств (сторон): его эффективность, потенциал (потенциалы) достижения целей, вклад в эффективность или выигрыш от определенной деятельности, в которой участвует система и т.п. и характеризуют качественные и прагматические аспекты ее функционирования.

Условия, в которых приходится решать указанную информационную задачу, характеризуются неопределенностью, которая обусловлена одновременным действием целого ряда факторов.

Для решения задач поддержки принятия решений в этих условиях чрезвычайно актуальными являются выработка подходов, которые принципиально ориентированы на работу в так называемой неопределенной или нечеткой среде, а также разработка методов и средств их реализации в информационных системах.

На основании вышеизложенного можно заключить, что разработка (выбор) методов обработки информации и архитектуры информационных систем, предназначенных для поддержки принятия решений в условиях неопределенности, является актуальной и практически значимой задачей.

Основные исследования, получившие отражение в диссертации, выполнялись по направлению Воронежского государственного университета «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью исследования является разработка методов моделирования и обработки информации и архитектуры информационных систем управления предприятием, предназначенных для поддержки принятия решений на основе анализа многомерных данных.

Для достижения поставленной цели необходимо решить следующие задачи: провести системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений; предложить алгоритм и структуру анализа и обработки многомерных данных с целью учета неопределенности; описать методику построения обобщенных интегральных показателей сложных систем, базирующуюся на энтропийном подходе; разработать методику моделирования и оптимизации хранилища данных; построить модель аналитического приложения системы поддержки принятия решений для предприятия; предложить структуру базы знаний для функционирования интеллектуальной системы управления; провести апробацию методики расчета обобщенных интегральных показателей.

Методы исследования. Для решения поставленных задач использовались основные положения системного анализа, стратегического менеджмента, методов имитационного моделирования, теории управления, исследования операций и оптимизации, методов представления знаний, объектно-ориентированного проектирования и программирования.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации, а также устраняющая формальные и вычислительные сложности в решении задач кластеризации и получении гарантированных оценок; энтропийный функционал, учитывающий порядок следования элементов системы в задачах, где информация о структуре анализируемых данных является ключевой с точки зрения информационной поддержки принятия решений; методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей, базируясь на теоретико-множественном описании многомерного информационного массива; сигнальная модель системы поддержки принятия решений предприятия, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий. Практическая значимость и результаты внедрения

Разработанная в работе модель типового аналитического приложения СППР в области мониторинга и анализа состояния предприятий, а также дополняющие существующие алгоритмы аналитических приложений, позволяют оценить объект анализа, - предприятие - а также получить оценки возможных причин того или иного состояния. Предлагаемые в работе алгоритмы и модели позволяют производить построение оценок риска энтропийным методом, что обеспечивает их гарантированность точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель. Метод оценивания рисков заключается в факторизации исходных данных, построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой упорядоченных значений оценок, -низкого уровня риска и высокогоет организации параллельных вычислений. Предлагаемая в работе интеллектуальная система управления позволяет осуществлять поддержку принятия решений на предприятии и адаптироваться к непредвиденным изменениям его состояния.

Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах»(г. Воронеж).

Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в Воронежском институте высоких технологий и Воронежском филиале Российского Нового Университета.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005-2007), Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах (Воронеж, 2005-2007), межвузовской конференции «Моделирование систем и информационные технологии» (Воронеж, 2006-2007), семинарах кафедры систем автоматизированного проектирования и информационных систем Воронежского государственного технического университета и кафедры информатики и вычислительной техники Воронежского института высоких технологий (2005-2007).

Публикации. Основные результаты диссертации опубликованы в 10 научных работах, в том числе 1 - в издании, рекомендованном ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: структура системы поддержки принятия управленческих решений [1], подходы к управлению в социально-экономических системах [2], алгоритмы взаимодействия систем [3], метод построения обобщенных показателей сложных систем [7].

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 98 наименований и приложения. Работа изложена на 143 страницах и содержит 22 рисунка, 11 таблиц.

Заключение диссертации по теме «Управление в социальных и экономических системах», Родионов, Константин Владимирович

Выводы четвертой главы

1 .Первоочередной типовой информационной задачей, которую приходится решать в системах поддержки принятия решений при выборе альтернативных вариантов действий типа инвестирования различных проектов, возмещения возможного ущерба, убытков и других возможных потерь, является оценивание по априорным данным рисков, сопутствующих деятельности в той или иной области. В страховании, такой задачей является оценивание страховых рисков.

2.Информационная задача прогнозирования страховых рисков сводится к построению обобщенных интегральных характеристик факторов риска, которыми характеризуются страхователи. Построение оценок риска энтропийным методом обеспечивает их гарантированность точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель.

3.Метод оценивания рисков заключается в факторизации исходных данных, построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой упорядоченных значений оценок, - низкого уровня риска и высокого.

4. Разработаны принципы построения, алгоритм и технология интеллектуальной системы управления предприятием. Разработаны новые методы выделения и представления знаний лица, принимающего решение. Разработаны концептуальные основы проектирования каждого функционального блока ИСУ.

ЗАКЛЮЧЕНИЕ

1. Проведен системный анализ существующих методов и средств обработки информации в системах поддержки принятия решений.

2. Предложен алгоритм и структура анализа и обработки многомерных данных с целью учета неопределенности.

3. Описана методика анализа и обработки многомерных данных для построения обобщенных интегральных показателей сложных систем, учитывающая неопределенность исходной информации.

4. Предложена методика моделирования информационного массива хранилища данных, позволяющая проводить количественную оценку хранилища данных с точки зрения обеспечения информационной потребности пользователей

5. Разработана методика моделирования и оптимизации хранилища данных и построена модель аналитического приложения системы поддержки принятия решений для предприятия.

6. Разработана сигнальная модель системы поддержки принятия решений предприятия, отличающаяся простотой адаптируемости и учитывающая принципиальные схемы, свойственные мониторингу и анализу состояния предприятий.

7. Предложена структура базы знаний для функционирования интеллектуальной системы управления.

8. Созданный комплекс алгоритмических средств поддержки принятия управленческих решений апробирован в открытом акционерном страховом обществе «Ингосстрах»(г. Воронеж). Теоретические и практические результаты работы внедрены в учебный процесс по специальностям «Финансы и кредит» и «Юриспруденция» в Воронежском институте высоких технологий и Воронежском филиале Российского Нового Университета.

Список литературы диссертационного исследования кандидат технических наук Родионов, Константин Владимирович, 2008 год

1. Абдикеев Н.М. Автоматизированные информационные системы в производстве, маркетинге и финансах. Том 2. Учебное пособие. РЭА им. Плеханова. — М.: 2003.

2. Абдикеев Н.М. Интеллектуальные информационные системы. Учебное пособие. -М:. РЭА им. Плеханова, 2003.

3. Аверкин А.Н., Батыршин И.З., Блишун А.Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта. — М.: Наука, Гл. ред. физ. мат. лит. 1986.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей М.: Финансы и статистика, 1985.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика.

6. Основы моделирования и первичная обработка данных. — М.: Финансы иiстатистика, 1983.

7. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

8. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. — М.: ЮНИТИ, 1998.

9. Ананьев Н.С. Разработка модели автоматизированной обучающей системы по языкам программирования. Магистерская дисс. — М.: РУДН. 2001.

10. Ю.Ананьев С.Н., Вараксин А.Н., Куренков Н.И. О построении показателей эффективности функционирования алгоритмов автоматическогораспознавания. Информационные технологии, № 1,2001.

11. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. —-М.: Наука, 1990.

12. ВентцельЕ.С. Исследование операций.-М.: Сов. радио, 1972.

13. Вильсон А.Дж. Энтропийные методы моделирования сложных систем. —М.: Наука, 1978.

14. Волкова В.Н., Воронков В.А. и др. Теория систем и методы системного анализа в управлении и связи. — М.: Радио и связь, 1983.

15. Гаврилов A.B. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. Новосибирск: Изд-во НГТУ, 2001. - Ч. 1.

16. Гайдамакин Н. А. Автоматизированные информационные системы, базы и банки данных. Вводный курс : Учебное пособие — М: Гелиос, 2002.

17. Геловани В. А. и др. Интеллектуальные системы поддержки принятия решений. М.: Эдиториал УРСС, 2001 г.

18. Гришенков Е. Планирование и консолидация данных многомерной базы. Открытые Системы, №04,2001.

19. Дейт Ч. Ведение в системы баз данных. М.: Диалектика, 1998.

20. Денисов A.A. Современные проблемы системного анализа: информационные основы. Учеб. пособие. СПб.: СПбГПУ, 2003.

21. Джексон П. Введение в экспертные системы. Пер. с англ.— Вильяме, 2001.

22. Дюк В.А. Компьютерная психодиагностика. — СПб.: Братство,1994.

23. Ерков A.A. Оптимальное решающее правило с оценкой достоверности. Препринт ИПМ АН СССР № 0134, Москва, 1984.25.3аботнев М.С. Система анализа образовательной статистики на основе интеграции OLAP и GIS технологий, www.olap.ru

24. Искусственный интеллект: Модели и методы: Справочник/Под ред. Д. А. Поспелова. В 3-х кн. — М.: Радио и связь. 1990. Кн. 2.

25. Кадощук И.Т., Липчинский Е.А. Обзор технологий хранилищ данных, www.olap.ru

26. Карлин С. Математические методы в теории игр, программировании и экономике. М.: Мир, 1964.

27. Катулев А.Н., Северцев H.A., Исследование операций: принципы принятия решений и обеспечение безопасности. М.: Физико-математическая литература, 2000.

28. Кендалл М. Методы ранговой корреляции. М.: Статистика, 1974.

29. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые системы, №4, 1997.

30. Клейнер Г.Б., Смоляк С.А. Эконометрические зависимости: принципы и методы построения. -М.: Наука, 2000.

31. Коровкин С. Д. и др. Решение проблемы комплексного-оперативного анализа информации хранилищ данных. СУБД, № 5-6, 1997.

32. Крупский А.Ю., Феоктистов H.A. Исследование систем управления предприятий сервиса. Материалы межвуз. НТК "Современные средства управления бытовой техникой". М., 2004.

33. Кульба В.В. и др. Методы формирования сценариев развития социально-экономических систем. М.: СИНТЕГ, 2004.

34. Куренков Н.И., Лебедев Б.Д. Применение энтропийного дискриминантного анализа в задачах кластеризации многомерных данных. Механика композиционных материалов и конструкций. — М.: РАН, 1999.

35. Куренков Н.И., Лебедев Б.Д. Применение энтропийных свойств, матриц для кластеризации композитов по их свойствам. Механика композиционных материалов и конструкций. ТЗ, № 4, 1997.

36. Куренков Н.И., Лебедев Б.Д. Энтропийные методы определенияобобщенных характеристик систем. Доклады академии наук. — М.: РАН. Том 365, №3. 1999.

37. Куренков Н.И., Лебедев Б.Д., Использование обобщенных показателей систем для восстановления данных. Механика композиционных материалов и конструкций. — М.: РАН, Т 4, № 2, 1998.

38. Куренков Н.И., Лебедев Б.Д., Использование энтропийных методов и обобщенных средних при обосновании характеристик материалов. Механика композиционных материалов и конструкций. М.: РАН, Т 4, № 3, 1998.

39. Ларичев О.И. Теория и методы принятия решений: Учебник. М.: Логос, 2000.

40. Лисянский К. Архитектурные решения и моделирование данных для хранилищ и витрин данных, www.olap.ru

41. Лорьер Ж.-Л. Системы искусственного интеллекта. Пер. с франц. -М.: Мир, 1991.

42. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных. СУБД, № 3, 1997.

43. Магнус Я.Р., Нейдекер X. Матричное дифференциальное исчисление с приложениями к статистике и эконометрике. Пер. с англ./Под ред. С.А. Айвазяна. -М.: ФИЗМАТЛИТ, 2002.

44. Маклаков СВ. BPwin и ERwin. CASE-средства разработки информационных систем. — М.: Диалог Ми фи, 1999.

45. Малиновский Л.Г. Анализ статистических связей: Модельно-конструктивный подход. Ин-т проблем передачи информ. М.: Наука, 2002.

46. Марпл С.Л. Цифровой и спектральный анализ и его приложения. — М.:Мир, 1990.

47. Мартыщенко Л.А., Панов В.В., Филюстин А.Е. Методы военно-научных исследований в задачах разработки и испытания вооружений. 4.2, л., МО СССР, 1985.

48. Марченко А.И. Object Pascal 2.0. К.: ЮНИОР, 1998.51 .Мелик-Гайказян И.В. Информационные процессы и реальность. -М.: Наука, 1998.

49. Методики (I) расчета тарифных ставок по массовым рисковым видам страхования, утвержденной Распоряжением Федеральной службы РФ оп надзору за страховой деятельностью, № 02-03-36 от 28.07.93

50. Методы анализа данных. Пер. с фр. Под редакцией Айвазяна С.А. и Бухштабера В.М. — М.: Финансы и статистика, 1985.

51. Методы добычи данных. Электронный учебник StatSoft. StatSoft Inc.

52. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.

53. Моисеев Н. Н. Математические задачи системного анализа. М.: Наука, 1981.

54. Моренин A.B. Концепция проведения разработок системы интеллектуальной поддержки принятия решения "Эврика+", www.olap.ru

55. Мушик Э., Мюллер П. Методы принятия технических решений. Пер. с нем. М.: Мир, 1990.59.0бработка экспериментальных данных с использованием компьютера. Под редакцией С. Минами. Пер. с япон. Под ред. Е.Л. Косарева, М.: Радио и связь, 1999.

56. Осипов Г.С. Приобретение знаний интеллектуальными системами -М: РУДН, 1994.

57. Панченков А.Н. Энтропия. Н.Новгород: Издательство общества "Интелсервис", 1999.

58. Питц-Моултис Н., Кирк Ч. XML: Пер. с англ. СПб.: БХВ-Петербург, 2001.63 .Попов И.И. Автоматизированные информационные системы (по областям применения). : Учебное пособие/Под общей редакцией К.И. Курбакова.— М.: Изд-во Рос. экон акад., 1998.

59. Попов Э. В. Экспертные системы. М.: Наука, 1987.

60. Прангишвили И.В., Пащенко Ф.Ф., Бусыгин Б.П. Системные законыи закономерности в электродинамике, природе и обществе. — М.: Наука, 2001.

61. Пржиялковский В.В. Сложный анализ данных большого объема: новые перспективы компьютеризации. СУБД, № 04, 1996 г.

62. Пройдаков Э. Что такое Data Mining? PCWeek, № 26, 1999.

63. Пытьев Ю.П. Возможность. Элементы теории и применения. — М.: Эдиториал УРСС, 2000. "

64. Ревунков Г.И., Самохвалов Э.Н., ЧистовВ.В. Базы и банки данных и знаний. -М.: Высшая школа, 1992.

65. Романенко А.Г., Максимович Г.Ю., Самойлюк O.P. и др. Информационные системы: Учебное пособие/Под общей редакцией К.И. Курбакова. М.: Изд-во Рос. экон. акад., 1999. ,

66. Саати Т. Принятие решений. Метод анализа иерархий. — М.: Радио и связь, 1985.

67. Сахаров A.A. Концепция построения и реализации информационных систем, ориентированных на анализ данных. СУБД № 4, 1996.

68. Слотер Э.Х. Архитектуры OLAP, www.iso.ru

69. Стратонович P.JI. Теория информации. М.: Сов. радио, 1975.

70. Сурков Е.А. Методологические аспекты процессов автоматизации управленческой деятельности (Управление в трех измерениях). Enterprise partner, №24(41), 2001.

71. Трухаев Р.И. Модели принятия решений в условиях неопределенности. — М.: Наука, 1981.

72. Тулупьев A. JI. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. — СПб.: СПИИРАН, 2000.

73. Туо Дж. Каждому пользователю свое представление данных. — Computer Week, № 38, 1996.

74. Ульман Д. Основы систем баз данных. М,: Финансы и статистика,1983.

75. Федечкин С. Хранилище данных: вопросы и ответы. PCWeek, №31,2003.

76. Федоров А., Елманова Н. Введение в OLAP: часть 1. Основы OLAP, КомпьютерПресс № 4, 2001.

77. Феоктистов Н.А. и др. Оптоэлектронные элементы информационных систем. М.: МГУС, 2002.

78. Хендерсон К. Delphi 3: Руководство разработчика. Пер. с англ.- К:. Диалектика, 1997.

79. Цыпкин Я.З. Информационная теория идентификации. М:, Наука Физматлит, 1995.

80. Черноморов Г.А. Теория принятия решений: Учебное пособие / Юж.-Рос. гос. техн. ун-т. Новочеркасск: Ред. Журн. «Изв. Вузов. Электромеханика», 2002.

81. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. Открытые системы № 01, 1998.

82. Шилейко А.В., Кочнев В.Ф., Химушкин Ф.Ф. Введение в информационную теорию систем. М.: Радио и связь, 1985.

83. Щавелев JI.B. Оперативная аналитическая обработка данных: концепции и технологии, www.olap.ru

84. Щавелев JLB. Способы аналитической обработки данных для поддержки принятия решений. СУБД, № 4-5, 1998.

85. Codd E.F., Codd S.B., Salley СТ., Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. Technical report, 1993.

86. Alalouf С Hybrid OLAP. St. Laurent, Canada: Speedware Corporation Inc., 1997.

87. Bradley P., Fayyad U., Reina C. Scaling Clustering Algorithms to Large Databases, Proc. 4th Int'l Conf. Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, Calif. 1998.

88. Erhard Ram, Hong Hai Do. Очистка данных: проблемы и актуальныеподходы, www.iso.ra.