Системный анализ информационных потоков состояний биотехнологических систем и разработка алгоритмов классификации: на примере мукомольного производства тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Саввина, Екатерина Андреевна

• Саввина, Екатерина Андреевна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Саввина, Екатерина Андреевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ОПИСАНИЕ И КЛАССИФИКАЦИЯ БИОТЕХНОЛОГИЧЕСКИХ СИСТЕМ

1.1. Определение и классификация биотехнологических систем

1.2. Анализ существующих методов классификации состояний биотехнологических систем

1.3. Методы классификации объектов биотехнологических систем

1.3.1. Метод двухэтапного кластерного анализа

1.3.2. Метод дискриминантного анализа

1.3.3. Нейросетевой метод

1.4. Постановка задачи классификации биотехнологических систем

ГЛАВА 2. ОБЪЕКТЫ ИССЛЕДОВАНИЯ И РАЗРАБОТКА МЕТОДИКИ КЛАССИФИКАЦИИ СОСТОЯНИЙ БИОТЕХНОЛОГИЧЕСКИХ СИСТЕМ

2.1. Разработка общей методики классификации биотехнологических

систем

2.1.1. Информационный подход к организации признаков, характеризующих биотехнологическую систему и влияющих на результат классификации

2.1.2. Описание методики классификации биотехнологических систем

2.2. Описание объекта исследования

2.3. Описание установки дисковой мельницы

2.4. Выводы и рекомендации

ГЛАВА 3. КЛАССИФИКАЦИЯ БИОТЕХНОЛОГИЧЕСКИХ СИСТЕМ

НА ПРИМЕРЕ МУКОМОЛЬНОГО ПРОИЗВОДСТВА

3.1. Формирование классификационной системы признаков методом

корреляционного анализа

3.2. Формирование оптимальной классификационной системы признаков и экспериментальные результаты распознавания состояний

биотехнологической системы различными методами

3.2.1. Анализ результатов классификации различными методами с использованием системы признаков, включающей органолептические показатели качества муки

3.2.2. Результаты классификации состояний биотехнологической системы, с использованием органолептических и лабораторных физико-химических показателей качества муки

3.2.3. Результаты классификации различными методами при добавлении сложных физико-химических показателей качества муки

3.2.4. Описание сформированной оптимальной по критерию минимума ошибок классификации системы признаков

3.3. Сравнительный анализ классификации на основе формализованных и неформализованных признаков

3 А. Выводы и рекомендации

ГЛАВА 4. ПРИМЕНЕНИЕ РАЗРАБОТАННОЙ МЕТОДИКИ КЛАССИФИКАЦИИ СОСТОЯНИЙ БИОТЕХНОЛОГИЧЕСКИХ СИСТЕМ

4.1. Алгоритм разработанной методики для классификации состояний биотехнологических систем

4.2. Возможности применения разработанной методики классификации состояний инвариантных биотехнологических систем

4.3. Выводы и рекомендации

ВЫВОДЫ ПО ДИССЕРТАЦИОННОМУ ИССЛЕДОВАНИЮ

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение 1. Классификация и расчет ошибок различными методами, на основе системы признаков, отобранной методом

корреляционного анализа

Приложение 2. Классификация и расчет ошибок различными методами, на основе системы признаков, включающей орга-

нолептические показатели

Приложение 3. Классификация и расчет ошибок различными методами, на основе системы признаков, включающей орга-

нолептические и физико-химические показатели

Приложение 4. Результаты классификации различными методами, на

основании системы признаков, состоящей из органо-лептических и сложных физико-химических

показателей

Приложение 5. Классификация и расчет ошибок различными методами, на основе оптимальной по критерию минимума

ошибок системы признаков

Приложение 6. Классификация и расчет ошибок различными методами на основании формализованных признаков

Введение диссертации (часть автореферата) на тему «Системный анализ информационных потоков состояний биотехнологических систем и разработка алгоритмов классификации: на примере мукомольного производства»

ВВЕДЕНИЕ

Актуальность темы. Наиболее распространенным для информационного описания биотехнологических процессов является феноменологический подход, заключающийся в построении приближенных моделей, справедливых в определенных пределах изменения параметров процесса и не учитывающий закономерностей развития поведения биотехнологических систем в действительности. Поэтому описание и классификация состояний таких систем осуществляется с помощью эвристических параметров (признаков), которые характеризуют систему с различных сторон. Однако такие эвристические методы имеют недостатки в виде перебора признаков и невысокой степени точности.

Альтернативным феноменологическому анализу биотехнологических систем, который не учитывает флуктуации характерных параметров, является статистический подход, позволяющий более адекватно использовать первичные экспериментальные данные в виде нестационарных информационных потоков для выявления новых закономерностей их функционирования.

Разработка и реализация такого подхода, на примере мукомольного производства, позволяет синтезировать не только новые методы обработки информации, отвечающие потребностям предметной области, но и предложить новую классификацию критериев для контроля и диагностики состояний биотехнологических систем.

Цель диссертационной работы. Разработка и теоретическое обоснование алгоритмов системного анализа информационных потоков и их классификация, инвариантная в пространстве состояний биотехнологических систем (на примере мукомольного производства).

В связи с чем, в работе решаются следующие задачи:

1) синтез информационной системы основных признаков, характеризующих биотехнологическую систему;

2) разработка информационной модели классификации состояний биотехнологических систем для управления качеством выходного продукта;

3) оценка точности классификации качества муки как биотехнологической системы;

4) разработка инженерной методики классификации биотехнологической системы;

5) экспериментальная верификация алгоритма классификации состояний системы по определению качества муки, полученной на пилотной установке дисковой мельницы;

6) оценка возможности инвариантного использования предложенных методов для диагностики различных биотехнологических систем.

Методы исследования. Основные результаты диссертационной работы получены на основе теории информатики, математической статистики, а также с помощью экспериментов, проведенных на пилотной установке дисковой мельнице (дезинтеграторе).

Объектом исследования являются массивы данных по качеству муки, полученные в ОАО «Верхнехавский элеватор», а также на экспериментальной установке дисковой мельницы.

Научная новизна заключается в обосновании информационного подхода к выбору и организации признаков, характеризующих биотехнологическую систему и позволяющих осуществлять классификацию систем различной природы по степени их сложности, в оценке правильности и точности диагностики состояния системы, а также в применении методов классификации биотехнологических систем на примере диагностики качества мукомольной продукции.

Научная новизна определяется следующими наиболее существенными результатами, полученными в ходе диссертационного исследования:

- разработана оптимальная по критерию минимума ошибок диагностическая система признаков, необходимая для классификации качества муки, отличающаяся минимальным составом признаков, соответствующих стоимостному критерию затратности;

- введены критерии оценки диагностики состояния биотехнологических систем по точности классификационной системы по каждому классу качества;

- предложена методика формализации признаков, характеризующих систему, отличающихся разбиением их диапазона вариации на поддиапазоны;

- синтезирована методика классификации биотехнологических систем (на примере качества муки), отличающаяся тем, что на первом этапе происходит отбор специфических признаков каждого класса качества методом корреляционного анализа, на втором - классификация методами двухэтапного кластерного, дис-криминантного и нейросетевого анализа;

- разработан графический интерфейс полученных классов качества, отличающийся возможностью предоставления информации о сформированных классах (ошибки классификации, центры классов).

Практическая ценность работы заключается в следующем:

- результаты исследований могут быть положены в основу диагностики состояния биотехнологических систем различной природы и сложности;

- информационная модель качества выпускаемой продукции, а также алгоритм диагностики состояния прошли успешную апробацию в ОАО «Верхнехавский элеватор» и ОАО Мукомольный комбинат «Воронежский»;

- создана база данных для информационной модели, предназначенная для диагностики состояния биотехнологических систем, на примере качества мукомольной продукции;

- сформирована обучающая выборка по качеству муки, полученной с экспериментальной установки дезинтегратора, с последующим использованием ее в образовательном процессе ВГУИТ и переподготовки кадров.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на конференциях разного уровня (XXV Международной научной конференции «Математические методы в технике и технологиях ММТТ-25», г. Саратов, 2012г.; Международной научно-практической интернет -конференции «Моделирование энергоинформационных процессов И-12», г. Воронеж, 2012г.; XXVI Международной научной конференции «Математические методы в технике и технологиях ММТТ-26», г. Нижний Новгород, 2013г.; на отчетных конференциях ХЫХ - Ы ВГУИТ за 2011-2013 г.г.; Международном на-

учно-практическом семинаре «Современные технологии в задачах управления, автоматики и обработки информации», г. Алушта).

Публикации. По результатам проведенных исследований и практических разработок опубликовано 12 печатных работ, включая 4 работы в научных изданиях и журналах, рекомендованных ВАК, общим объемом 5,5 п. л., из них авторский вклад составляет 2,9 п. л.

Структура и объем работы. Диссертационная работа изложена на 135 листах основного текста, включает 61 рисунок и 10 таблиц. Состоит из введения, 4 глав, заключения, списка литературы и 6 приложений.

Содержание работы. Во введении обоснован выбор темы диссертации и раскрыта ее актуальность, сформулирована цель и поставлены задачи исследования, определены объекты исследования, изложена научная новизна и практическая значимость полученных результатов, дана краткая аннотация работы по главам.

Первая глава посвящена определению биотехнологических систем. Проведен обзор методов и алгоритмов классификации систем различного предметного назначения. Выявлено, что недостатком приведенных выше методов является их строгая применимость в исследуемой задаче и невозможность использования для инвариантных состояний биотехнологических систем различного предметного назначения. Поэтому поставлена задача в разработке альтернативного подхода, основанного на статистическом анализе информационного потока, характеризующего состояние биотехнологической системы. Разработка такого подхода позволит контролировать качество биотехнологической продукции, (например, муки) на ранних стадиях технологического процесса, а также осуществлять диагностику качества продукции с целью оперативного управления технологическим процессом. В этой связи, автором выбраны методы корреляционного, двухэтап-ного кластерного, дискриминантного и нейросетевого анализа, как современные инструменты для классификации объектов.

Во второй главе рассмотрен информационный подход к поиску и организации специфических признаков, так как неинформативные и избыточные при-

знаки не только бесполезны, но и снижают эффективность классификации. Предложено формализовать исходный набор количественных признаков в категориальные для увеличения точности классификации. Предложена методика классификации, сущность которой состоит в следующем: на первом этапе - выявляются специфические для каждого класса признаки, на втором - классификация методами двухэтапного кластерного, нейросетевого и дискриминантного анализа. Дано описание объекта исследования (база данных по качеству муки) и пилотной установки дезинтегратора.

Третья глава посвящена основным результатам диссертационного исследования. Сформирована классификационная система признаков методом корреляционного анализа, на основании которой проведена классификация различными методами (двухэтапным кластерным, нейросетевым и дискриминантным). Сформирована оптимальная по критерию минимума ошибок диагностическая система признаков, необходимая для классификации, отличающаяся минимальным по затратам составом признаков. Затем, признаки оптимальной по критерию минимума ошибок классификационной системы, были формализованы и проведена классификация по разработанной методике. Проведен сравнительный анализ точности классификации на основании формализованной и неформализованной диагностической системы признаков.

В четвертой главе представлен алгоритм разработанной методики классификации, отличающийся набором формализованных признаков, когда на первом этапе проводится отбор специфических признаков методом корреляционного анализа, на втором - классификация методами двухэтапного кластерного, дискриминантного и нейросетевого анализа. Показана эффективность применения диагностической методики на примере классификации качества муки, полученной на пилотной установке дисковой мельницы.

В заключении изложены основные результаты проведенных исследований, сделаны выводы и даны рекомендации.

ГЛАВА 1

ОПИСАНИЕ И КЛАССИФИКАЦИЯ БИОТЕХНОЛОГИЧЕСКИХ СИСТЕМ

1.1. Определение и классификация биотехнологических систем

Термин «биотехнология» был впервые применен инженером Карлом Эреки [49]. Люди выступали в роли биотехнологов тысячи лет: пекли хлеб, варили пиво, делали сыр, другие молочнокислые продукты. Древнейшим биотехнологическим процессом было брожение, а также виноделие, хлебопечение и получение молочнокислых продуктов. В традиционном понимании биотехнология - это наука о методах и технологиях производства различных веществ и продуктов с использованием природных биологических объектов и процессов [30].

К различным видам биотехнологии относят:

- биоинженерию, которая направлена на применение технических подходов для решения медицинских проблем в целях улучшения охраны здоровья. Основным направлением биоинженерных исследований является, например, применение методов компьютерного моделирования для создания белков с новыми свойствами;

- биомедицину как раздел медицины, изучающий с теоретических позиций организм человека, его строение и функцию в норме и патологиях, а также патологические состояния, методы их диагностики, коррекции и лечения [122];

- биоинформатику, как совокупность методов и подходов [135], включающих в себя математические методы компьютерного анализа, разработки алгоритмов и программ для предсказания пространственной структуры систем (структурная биоинформатика), исследования стратегий, соответствующих вычислительных методологий.

Главным звеном биотехнологического процесса, определяющим всю его сущность, является биологический объект, способный осуществлять определен-

и

ную технологию переработки исходного сырья и образовывать необходимый качественный продукт. В качестве таких объектов биотехнологии могут выступать, например, клетки микроорганизмов. Таким образом, биотехнологическая система - это совокупность процессов, инструментов и материалов для получения качественного выходного продукта.

Биотехнологическая система схематично представлена на рисунке 1.1.

Биотехнологическая система, согласно определению, предполагает сложную организацию взаимодействия ее отдельных частей [33, 73, 82, 86]. Поэтому, основными чертами биотехнологической системы являются:

1. Иерархическое построение элементов системы различной природы.

2. Наличие прямых и обратных связей, позволяющих получать информацию о состоянии элементов системы и осуществлять управление, как отдельными элементами, так и системой в целом.

3. Проведение классификации состояний в условиях неполной информации, так как не все параметры системы можно измерить.

4. Наличие скрытых, неизученных причинно - следственных связей.

5. Надежность работы диагностического оборудования менее 100 96, обуславливающая риск принятия неверного решения в условиях недостаточной информации, что может привести к гибели системы.

1.2. Анализ существующих методов классификации состояний биотехнологических систем

Большинство разработанных методов, алгоритмов и реализуемых на их основе программных продуктов позволяют классифицировать состояние биотехнологической системы. Их применение дает возможность технологу выявить некачественный продукт на ранних стадиях технологического процесса и избежать материальных и технологических затрат.

ч

Входной информационный поток

Сырье

Анализ сырья

Анализ признаков

Бинарные

Количественные

Набор ; формализован- * ных признаков, пива-риантныи для биотехнологических систем

различноитцэироды.

Методы классификации

Двухэтапный кластерный Дискриминант-ный Нейросетевой

4.1 4.1 4.1

Точность метода

ЩЩШЩ

.......V....... / Производство 1

::П6ддержка::-:

■;•;•;• принятия :•:•;•; /-^ Производство 2

:•:•:•: решений::::-

Производство 3

Рис. 1.1. Структура биотехнологической системы

Среди большинства разработанных методов классификации в различных областях (биомедицинских, биотехнологических, биологических и т.д.) широкое распространение получили методы кластерного, дискриминантного и нейросете-вого анализа [20, 27,46, 51, 88,125 139, 143].

Методы кластерного анализа давно нашли свое применение в различных областях науки, так как позволяют точно определить к какой группе относится тот или иной биотехнологический объект. По мере изучения кластерных решений был разработан метод карманной кластеризации, который, как доказано в работах [63, 65, 66], более эффективен, чем традиционные методы к - средних и иерархические [35, 53, 111,124, 128,130,132, 145]. Ошибка классификации данным методом составила 7 %.

В работах [20, 84] рассмотрены схемы гибридной кластеризации с использованием процедур конкуренции и кооперации, что позволяет с высокой точностью определять количество кластеров в условиях слабой линейной разделимости. По сравнению с другими аналогами этот алгоритм показал, что количество ошибок колеблется на уровне от 1 % до 3 %. Преимуществом гибридной кластеризации является легкость интерпретации результатов экспертом.

В [70] показан алгоритм метода ветвей и границ для развития кластерной структуры информационной системы (ИС).

Оценка потребительских свойств обогащенных хлебобулочных изделий из ржаной и смеси ржаной и пшеничной муки методом кластерного анализа представлена в [38]. Точность метода составила 92,1 %.

Для отбора информативных признаков в [107] был применен метод эволюционного поиска с кластеризацией признаков. Для проверки эффективности применения предложенного метода решалась задача отбора информативных признаков для синтеза распознающих моделей автотранспортных средств и построения диагностической модели коэффициента упрочнения лопаток газотурбинного авиадвигателя после алмазного выглаживания с ошибкой 4,3 %.

На базе нейросетевой модели многослойного перцептрона, обученного по алгоритму обратного распространения ошибки, были построены прогнозы вре-

менных рядов финансовых данных [76, 78], а также выполнена формализация полной схемы применения данной модели для анализа и прогнозирования временных рядов на примере котировок акций российских эмитентов на ММВБ. В работе [76] точность прогноза нейронной сети, обученной по алгоритму обратного распространения ошибки с целевым функционалом, средняя ошибка составила Е=0,45 %, точность прогноза 76,0 %, что соответствует прогнозу высокого качества. При использовании методики Бокса - Дженкинса в [77] точность прогноза составила 73,33 %, что свидетельствует о применимости построенной модели к инвестиционной деятельности на фондах.

Многослойные перцептроны успешно применяются для решения разнообразных сложных задач, таких как классификация. В [54, 96, 106,116,119] описана искусственная нейронная сеть для решения прикладных задач ПО NeuroNADS, с помощью которой решена задача прогнозирования математических моделей в банковском секторе. Ошибка на обучающем множестве составила 1,4 %.

В ряде работ [25,40, 50, 57, 58, 118] показано широкое применение нейронных сетей для диагностики состояния пациентов в области медицины. Это обусловлено большим объемом и сложным характером анализируемых данных, которые врач не может учесть в своих выводах в полной мере, а также гибкости и мощи нейросетевых моделей.

Так, в [45] рассматривается реализация нейросетевой системы для задачи медицинской диагностики на примере определения заболевания головного мозга. Проведенные экспериментальные исследования показали, что внедрение в диагностику нейросетевой системы поддержки принятия решений позволило достичь высокой точности результатов (94,0 % при определении наличия заболевания и 88,9 % при определении его характера), сравнимой с точностью диагностики опытного врача. Также открывается возможность выявления некоторых глубинных закономерностей между полученными данными и патологическими процессами.

Нейронные сети могут служить эффективным инструментом для прогнозирования финансовых данных [68], принятия инвестиционных решений, классифи-

кации качества продукций физической, химической, биологической и технической отраслей, однако прогнозы нейросетевым методом не могут быть использованы, например, для долгосрочной динамики рынка.

Областью применения дискриминантного анализа являются социальные, экономические, медицинские, технические системы. Например, тестирование при приеме на работу, анализ переписи населения, психологические тесты для детей, изучении эффекта от какого-либо метода лечения, исследование экономических различий между географическими районами, предсказание итогов голосования.

Задачи для решения методом дискриминантного анализа возникают часто в медицинской практике. К примеру, при установлении диагноза по комплексу неспецифических проявлений заболевания, а также при определении пола давно умершего человека по останкам, найденным при археологических раскопках [69].

Использование рассчитанных апостериорных вероятностей методом дискриминанта требуется, когда «стоимость» неправильной классификации существенно меняется от класса к классу. В случае, когда больному придется перенести много страданий при любой ошибке в диагнозе, так больной со злокачественной опухолью, которому поставлен диагноз «доброкачественная опухоль», будет страдать больше, чем больной с доброкачественной опухолью, которому поставили диагноз «злокачественная опухоль». В этом случае, для уменьшения «стоимости» совершаемых ошибок включают априорные вероятности в классифицирующую функцию.

Возможности дискриминантного анализа нашли применение в социально-экономических отраслях [108, 109]. Так, методы пошагового дискриминантного анализа позволили исследовать социальную адаптацию рабочих и выявить наиболее значимые факторы для прогнозирования стратегии выживания рабочих [23,24,34]. Точность метода составила 87,2% исходных данных.

Прогнозирование качества выходной продукции по данным обучающей выборки с помощью методов дискриминантного анализа было приведено в [44]. Точность классификации качества мукомольной продукции составила 82,0 %.

В работах [29, 31, 32, 36, 89, 98, 105] рассматриваются последние достижения в применении нечетких множеств к неявной классификации. Они включают аксиоматический вывод понятий кластера и разбиения на кластеры, нормальные условия существования кластеров и связи между такими формальными подходами и формулировками многозначной логики. Также рассматриваются теоретические основы для оценки «кластеризуемости» выборки данных и для разработки методов иерархического разбиения на нечеткие кластеры.

Однако, методы, предложенные в [98], опирались на определение нечеткой кластеризации. Оптимальная нечеткая кластеризация определялась как разбиение на нечеткие подмножества, доставляющие оптимальное значение некоторому функционалу, определенному на множестве всех возможных разбиений. Этот функционал определялся так, чтобы он соответствовал интуитивному понятию «качества классификации».

Таким образом, существует большое количество методик [12, 26, 59, 71, 92], программных продуктов, алгоритмов для прогнозирования и классификации объектов, основанных на использовании методов кластерного, дискриминантного анализа и нейронных сетей, как наиболее перспективных направлений исследований. Внедрение таких методик позволяет диагностировать качество выходного продукта биотехнологических систем, принимая, при этом, во внимание большее количество диагностических признаков с учетом их значимости и, тем самым, повысить точность диагностики.

Однако недостатком вышеперечисленных методов и методик является исключительное их применение в конкретной задаче и невозможность использования для исследования инвариантных состояний биотехнологических систем различного предметного назначения.

1.3. Методы классификации объектов биотехнологических систем

Современные технологические процессы получения продукции, например, в производстве хлеба, сопровождаются промежуточным контролем качества сначала зерна затем муки. В этой связи, важное значение приобретают методы, которые

позволяют определять качество продукции, так как своевременное обнаружение дефектов получаемой продукции приносит огромный экономический эффект и служит обеспечению безопасности человека.

Целью методов классификации является исследование внутренней структуры изучаемой системы п объектов, каждый из которых характеризуется /»-мерным вектором признаков [60].

Грамотное применение методов способствует получению достоверных и полных результатов классификации состояния системы. Поэтому, процедуру оценки состояния системы целесообразно представить в виде формализованной методики, синтезирующей основные методы кластерного, дискриминантного и нейросетевого анализа.

1.3.1. Метод двухэтапного кластерного анализа

Кластерный анализ [11, 22, 47, 85, 93, 113, 120, 121, 126, 127, 129, 144] -метод классификации объектов по заданным признакам. Задача кластерного анализа состоит в формировании групп: однородных внутри (условие внутренней гомогенности), при этом четко отличных друг от друга (условие внешней гетерогенно сти).

Процедура двухэтапного кластерного анализа [62, 64, 67, 123, 142] имеет характеристики, отличающие ее от традиционных методов кластеризации, такие как:

1) возможность создания кластеров на основе категориальных и непрерывных переменных. Для анализа используется вероятностная мера расстояния, которая предполагает, что переменные в кластере являются независимыми. Результаты являются менее удовлетворительными, если переменные являются переменными смешанного типа, так как категориальным переменным присваивается больший вес, чем непрерывным.

2) автоматический расчет числа кластеров;

3) способность эффективно анализировать большие массивы данных.

Например, исследуется возможность разделения хлебобулочных изделий (ХБИ) на однородные группы (кластеры). При этом, форма, уровень прожарки и сорт муки, из которой изготовлено изделие, известны. Распределение на кластеры представлено на рисунке 1.2.

Сорт муки

Сорт муки

Уровень прожарки

В

Уровень прожарки

Рис. 1.2. Графическое представление кластерного анализа В варианте В однородные кластеры не выявлены. Следовательно, целенаправленная дифференциация качества хлеба невозможна. В варианте А выявлены две однородные группы качества полученного хлеба: «хорошая мука с сильной прожаркой», «плохая мука со слабой прожаркой», которые можно считать двумя целевыми группами.

Обобщенный алгоритм двухэтапного кластерного анализа представлен на рисунке 1.3.

С

Начало

3

Х2, •••!Хп)

1

1 £<1,5>' 1;<г,5>

-

А1Ск = -2 1к + 2 гк, В1Ск = -2Ьк + гк\пп

1

Внесение в базу данных значений признаков

Первоначальное назначение каждого объекта подходящему (похожему кластеру)

Пересчет кластерных центров (покоординатные средние)

Перераспределение объектов по кластерам

С

Конец

Рис. 1.3. Обобщенный алгоритм метода двухэтапного кластерного анализа

Приведем описание представленного на рисунке 1.3 алгоритма метода двух-этапного кластерного анализа.

Пусть каждый из исходных п объектов с номерами 1, 2, ..., п задается как точкахк = (хк{, хю, ..., хкп) (к= 1, 2, ..., л), в т-мерном пространстве признаков Хи Х2, ..., Хт. Совокупность этих точек можно трактовать как выборку объема п из многомерной генеральной совокупности Х= (X), Х2,Хт).

Шаг 1. Процедура начинается с построения характеристики кластера «Дерева» СР. «Дерево» начинается с размещения на первом этапе при корне дерева в лист, узел, содержащий переменную об этом случае. Каждый последующий случай будет добавлен к существующему узлу либо создается новый узел, основанный на сходстве с существующими узлами, и с использованием меры расстояния, как критерия подобия:

Список литературы диссертационного исследования кандидат наук Саввина, Екатерина Андреевна, 2013 год

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

1.ГОСТ 9404-88 Межгосударственный стандарт. Мука и отруби. Метод определения влажности. - М.: ИПК Издательство стандартов, 2001. - Зс.

2. ГОСТ 26361-84 Межгосударственный стандарт. Мука. Метод определения белизны. - М.: Стандартинформ 2007. - 5с.

3. ГОСТ 27493-87 Межгосударственный стандарт. Мука и отруби. Метод определения зольности. -М.: Стандартинформ, 2007. - 4с.

4. ГОСТ 27558-87 Межгосударственный стандарт. Мука и отруби. Методы определения цвета, запаха, вкуса и хруста. - М.: Стандартинформ, 2007. - 5с.

5. ГОСТ 27559-87 Межгосударственный стандарт. Метод определения зараженности и загрязненности вредителями хлебных запасов. — М.: Стандартинформ, 2007. - Зс.

6. ГОСТ 27560-87 Межгосударственный стандарт. Мука. Метод определения крупности. - М.: Стандартинформ, 2005. - 4с.

7. ГОСТ 52189-2003 Межгосударственный стандарт. Мука пшеничная. Общие технические условия. - М.: Стандартинформ, 2005. - 6 с.

8. Инвестиционный проект «Создание опытно-промышленного производства аппаратно-программных комплексов по изготовлению нано-структурированных материалов методом дезинтеграционно-волновой технологии плазменного помола», 2010.- 161 с.

9. Патент на изобретение № 2482685 Способ производства хлеба повышенной пищевой ценности/ Пономарева Е. И., Алехина Н. Н., Кавешников В. Ю. - Патентообладатель: ФГБОУ ВПО ВГУИТ, 2012.

10. Заявка на изобретение № 22068 Устройство мельницы дезинтеграцион-но-волнового помола/ Кустов В.Ю.-Патентообладатель: ФГБОУ ВПО ВГУ, 2012.

П.Айвазян, С. А. Прикладная статистика: Классификация и снижение размерности/ С. А. Айвазян, В. М. Бухштабер, И.С. Енюков и [др.] — М.: Финансы и статистика, 1989. — 607 с.

12. Александров, В.В., Горский В.Д. Алгоритмы и программы структурного метода обработки информации/ В.В. Александров, В.Д. Горский. - М.: Наука, 1983.-208 с.

13. Антипов, С.Т. Машины и аппараты пищевых производств: учебное пособие для студентов/С.Т. Антипов, И.Т. Кретов, А.Н. Остриков, В.А. Панфилов и [др.], под ред. акад. РАСХН В. А. Панфилова. - М.: Высш. шк., 2001. - 1379 с.

14. Балашова, Е.А Исследование свойств муки, полученной валковым и де-зинтеграционно-волновым помолом [Текст]/Е.А. Балашова, Е.А. Журавлева, Д.И. Ребриков//Вестник ВГТА. - 2011. - №2. - С.33-37.

15. Балашова, Е.А. Сравнительный анализ методов классификации при прогнозировании качества хлеба [Текст]/Е.А. Балашова, В.К. Битюков, Е.А. Саввина// Вестник ВГУИТ. - 2013. - №1. - С.57-62.

16. Балашова, Е.А. Выделение набора информативных признаков на основе корреляционного анализа для классификации объектов [Текст]/ Е.А. Балашова, В.К. Битюков, Е.А. Саввина//1 Межд. научн.-практ. конф. «Моделирование энергоинформационных процессов». - Воронеж: ВГУИТ, 2012. -Т.1. - С. 96-101.

17. Балашова, Е.А. Классификация качества хлеба методом двухэтапного кластерного анализа [Текст] /Е.А. Балашова, В.К. Битюков, Е.А. Журавлева// XXV Межд. науч. конф. «Математические методы в технике и технологиях -ММТТ-25». -Волгоград: Волгогр. гос. тех. универ.,2012. - Т.8. - С. 176-179.

18. Балашова, Е.А. Методика классификации проб муки, пригодной для хлебопечения [Текст]/Е.А. Балашова, В.К. Битюков, Е.А. Саввина, Е.И. Пономарева //IX Межд. науч.-практ. конф. «Новейшие научные достижения».-София: Бял ГРАД-БГ ООД, 2013. - Т.23. - С. 62-67.

19. Балашова, Е.А. Формирование системы информативных признаков для прогнозирования качества муки [Текст]/Е.А. Балашова, В.К. Битюков, Е.А. Саввина и [др.]//Ш Межд. научн.-практ. конф. «Ключевые вопросы в современной науке». - София: Бял ГРАД-БГ ООД, 2013. - Т.36. - С. 74-77.

20. Батыршин, И.З. Гибридная реляционная кластеризация и визуализация данных/И.З. Батыршин, A.C. Климова//Всерос. науч.конф. «НСМВ-2006». - М.: Физмалит, 2006. - С. 193-209

21. Безруков, А. И. Использование математических методов для оценки качества классификации объектов стандартизации /А. И. Безруков, М. А. Жилина, А. М. Кац //Вестник СГТУ, 2010. - № 45. - С. 138-144

22. Бериков, В. С. Современные тенденции в кластерном анализе //B.C. Бе-риков, Г.С. Лбов//Всеросс. конкурс «Информационно-телекоммуникационные системы», 2008. - 26 с.

23. Бессокирная, Г.П. Дискриминантный анализ для отбора информативных переменных// Г.П. Бессокирная// Журнал «Социология: методология, методы, математические модели», 2003. - № 16. - 30 с.

24. Бессокирная, Г.П. Стратегии выживания горожан и их социальные поел едствия//Образ жизни горожан в объективных и субъективных показате-лях/Г.П. Бессокирная, отв. ред. Т.М. Караханова. - М.: Изд-во Института социологии РАН, 2002.- 56 с.

25. Большаков, А.А.Комбинированный метод автоматизированной диагностики заболеваний мочевыводящей системы на фоне дисплазии соединительных тканей /А. А. Большаков [и др.]// Вестник СГТУ,2010. - № 50. - С. 108-112

26. Бровкова, М. Б. Разработка системы критериальных оценок состояния сложного технологического оборудования / М. Б. Бровкова, С. В. Свиридов, Н. С. Сидоров // Вестник СГТУ, 2010. - N 51. - С. 89-95

27. Бююль, A. SPSS:ncKyccTBO обработки информации: анализ статистических данных и восстановление скрытых закономерностей/ А. Бююль, П. Цефель// Учебное пособие. - ДиаСофт, 2005. - 608 с.

28. Веденов, A.A. Итоги науки и техники/ A.A. Веденов//Сер. «Физ. и Ма-тем. модели нейронных сетей». - М.: Изд-во ВИНИТИ, 1990. - Т. 1-5.

29. Вешнева, И. В. Применение теории нечетких множеств к задачам оценки и управления формированием компетенций: распознавание текущего состояния /И. В. Вешнева, Л. А. Мельников//Вестник СГТУ, 2011. - № 55. - С. 181-190

30. Виестур, У.Э. Биотехнология: Биологические агенты, технология, ап-паратура/У.Э. Виестур, Шмите И.А., Жилевич А.В.//Рига: Зинатне, 1987. - 263 с.

31. Виноградов, Г.П. Кластеризация на основе нечетких отношений и технологии visualmining// Г.П. Виноградов, A.A. Мальков//СУиИТ, 2008. - №1.1 (31).-С. 137-141

32. Виноградов, Г.П. Эволюционные методы кластеризации, использующие нечеткие отношения и субъективные оценки/ Г.П. Виноградов, A.A. Мальков //Междунар. науч.-технич. конф. «Интеллект.системы. интеллект. САПР» -М.: Физмалит,2008. - Т.1.

33. Волкова, В. Н. Теория систем: учебное пособие/ В. Н. Волкова, А. А. Денисов. - М.: Высшая школа, 2006. - 511 с.

34. Волкова Н. В. Прогнозирование результатов первичной адаптации персонала на основе дискриминантного анализа/Н. В. Волкова // Междунар. науч. конф.«Психология: традиции и инновации: материалы». - Уфа, 2012. - С. 40-46.

35. Вэн Райзин, Дж. Классификация и кластер/Дж. Вэн Райзина. - М.: Мир, 1980.- 390 с.

36. Вятченин, Д. А. Нечёткие методы автоматической классификации/ Д. А. Вятченин. - Минск: Технопринт, 2004. - 219 с.

37. Галушкин, А.И. Теория нейронных сетей/ А.И. Галушкин. - М.: ИПРЖР, 2000.-416 с.

38. Ганцов Ш.К. Оценка потребительских свойств обогащенных хлебобулочных изделий из ржаной и смеси ржаной и пшеничной муки/ Ш.К. Ганцов, М.С.Гинс, Г.В. Шуршикова, H.H. Дерканосов//Товаровед продовольственных товаров,2010. - №9. - С.11-16

39. Гмурман, В. Е.Теория вероятностей и математическая статистика: Учебное пособие для вузов. - 10-е издание, стереотипное. - М.: Высшая школа,2004. - 479 с.

40. Гончарова Ю.М. Нейросетевое моделирование острого пиелонефрита в эксперименте [электронное издание]ЛО.М. Гончарова, А.Е. Пьяников, B.JI. Бур-ковский//Вестник новых медицинских технологий — Тула,2013 - №1.

41. Горбань, А.Н., Россиев Д.А Нейронные сети на персональном компьютере/ А.Н. Горбань, Д.А. Россиев. - Новосибирск: Наука, 1996. - 276 с.

42. Дерканосова, Н.М. Квалиметрическая оценка потребительских свойств обогащенных хлебобулочных изделий/Н.М. Дерканосова, A.B. Шапошник, Н.И. Дерканосова//Вестник ВГАУ, 2012. - №2(33). - С.207-210

43. Дерканосова, Н. М. Научно-практические основы совершенствования производства хлеба с применением традиционных и комбинированных ресурсов: дис. ... д-ра тех. наук: 05.18.01/ Дерканосова Наталья Митрофановна. - Воронеж, 2001.-476 с.

44. Дерканосова Н.М. Применение методов многомерного статистического анализа для оценки потребительских свойств хлебобулочных изделий/ Н.М. Дерканосова, Г.В. Шуршикова// Известия ВУЗов. Пищевые технологии, 2012. - №4. -С.23-25

45. Дмитриев, Г.А. Нейросетевая система диагностики внутричерепных новообразований [электронный ресурс] /Г.А. Дмитриев, A.B. Кирсанова// Межд. журнал «Программные продукты и системы», 2009. - № 3 - Режим доступа: http.V/www.swsys.ru/index.php?page=article&id=2340

46. Дубров, A.M. Многомерные статистические методы/ A.M. Дубров, B.C. Мхитарян, Л.И. Трошин//Учебник - М.: Финансы и статистика, 2003. - 352 с.

47. Дюран, Б. Кластерный анализ/Б. Дюран, П. Оделл - М.: Статистика, 1977. - 128 с.

48. Егоров, Г.А. Технология муки. Технология крупы/ Г.А. Егоров//Учебн. пос. для студ. спец. «Технология хранения и переработки зерна». - М.: Колос, 2005. - 304 с.

49. Егорова, Т. А. Основы биотехнологии: учебное пособие/ Т.А.Егорова, С. М. Клунова, Е. А. Живухин. - М.: Изд. центр «Академия», 2003. - 208 с.

50. Ежов А. Нейронные сети в медицине// А. Ежов, В. Чечеткин//Журнал «Открытые системы», 1997. - № 4 (97). - С. 34-37

51. Енюков, И.С. Методы, алгоритмы программы многомерного статистического анализа/ И.С. Енюков. - М.: Финансы и статистика, 1986. - 350 с.

52. Ермаков, А.Е. Методика расчета коэффициентов сравнительной ценности диагностических показателей [электронный ресурс]/А.Е. Ермаков//Ж. «Программные продукты и системы»,2010 - №4. - Режим доступа: http://www.swsys.ru index.php?page=article&id=2645

53. Жамбю, М. Иерархический кластер-анализ и соответствия. - М.: Финансы и статистика, 1988. - 345 с.

54. Жога В. JI. Автоматизация процедуры классификации деталей в интегрированных САПР с использованием нейронных сетей/ Жога Владимир Леонидович: Дис.... канд. техн. наук : 05.13.12.- Брянск, 2005. - 177 с.

55. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. - М.: Наука, 1978, вып. 33. - С. 5-68.

56. Застрогина, Н. Разработка технологии хлеба с учетом расчета пищевой ценности методом математического моделирования биохимических превращений [электронный ресурс]/ Н.Застрогина, Е. И Пономарева, В. И. Ряжских// V Межд. студ. электр. науч. конф. «Студенческий научный форум». - 2013. - Режим доступа: http://www.scienceforum.rti/2013/15/2809

57. Золин, А.Г. применению нейронных сетей в медицине [электронный ресурс]/ А.Г. Золин, А.Ю. Силаева // II Межд. научн. конф. "Актуальные проблемы науки, экономики и образования XXI века". - 2013. - Ч. 2. - Режим доступа: http://www.creativeconomy.ru/articles/25938

58. Игнатов, А.Д. Оценка возрастных изменений кожи женщин репродуктивного возраста с использованием искусственной нейронной сети/ А.Д. Игнатов, E.H. Носенко, Е.В. Зоркова и [др]//Журнал «Медико-социальные проблемы семьи»,2012. - №1 (т. 17). -45 с.

59. Индюхин A.A. Биотехническая система психофизиологической диагностики / А. А. Индюхин [и др.]// Вестник СГТУ,2011. - № 53. - С. 177-183

60. Калинина, В. Н. Введение в многомерный статистический анализ: Учебное пособие // В. Н.Калинина, В. И. Соловьев. - М., Изд-во ГОУ ВПО ГУУ, 2003.-35 с.

61. Калинкина, Т.И. Телекоммуникационные и вычислительные сети. Архитектура, стандарты и технологии/ Т.И. Калинкина. - СПб: Изд-во BHV-СПб, 2010.-288с.

62. Киреев, В С. Методы двухэтапной и многокритериальной кластеризации данных выборок больших объемов: дисс.... канд. тех. наук: 05.13.01 /Киреев Василий Сергеевич. - М., 2008. - 153 с.

63. Киреев, B.C. Оценка результатов кластеризации при использовании различных критериев качества [электронный ресурс]/В.С. Киреев//Программные продукты и системы, 2009. - №3. - Режим доступа: http://www.swsys.ru/ index. php?page=article&id=2312

64. Киреев B.C. Алгоритм кластеризации данных с минимаксной оптимизацией критериев качества разбиения /Киреев B.C. //Информационные технологии. 2007. - № 7. - С.47-49.

65. Киреев B.C. Сегментация потребителей банковских услуг с помощью метода Q-кластеризации /Киреев B.C., Синицын C.B.// Информационная математика, 2007. - № 1(6). - С.81-90.

66. Киреев B.C. Q-алгоритм сегментирования данных при неизвестном исходном числе сегментов /Киреев В.С.//Науч. С. «МИФИ-2007». - М.: МИФИ, 2007.-Т. 2. - С.93-95.

67. Киреев B.C. Двухэтапный алгоритм кластеризации данных /Киреев B.C., Синицын C.B.// Научная с. «МИФИ-2006». - М.: МИФИ, 2006. - Т. 2. - С. 14-15.

68. Киреев B.C. Нейросетевая модель потребителя в маркетинговом ценовом исследовании ВРТО/Киреев B.C., Синицын C.B.// Научная с. «МИФИ-2005». - М.: МИФИ, 2005. - Т. 2. - 142 с.

69. Клекка, У.Р. Дискриминантный анализ/ Факторный, дискриминантный и кластерный анализ// пер. с англ. A.M. Хотинского, под ред. И.С. Енюкова. - М.: Финансы и статистка, 1989. - С. 78-137

70. Ковалев, И.В. Управление развитием надежных кластерных структур информационных систем [электронный ресурс] /И.В. Ковалев, Р.Ю. Царев, A.B.

Прокопенко и [др.]//Жур. «Программные продукты и системы»,2010. - №2. - Режим доступа: http://www.swsys.m/index.php?page=article&id=2516

71. Колесникова, С.И. Информационная система для распознавания состояний стохастической системы [электронный ресурс]/ С.И. Колесникова, В.Г. Букреев, А.Н. Мертвецов и [др.]//Журнал «Программные продукты и системы»,2010 -№4. - Режим flOCTyna:http://www.swsys.ru/index.php?page=article&id=2618

72. Колодникова, Н.В. Обзор текстурных признаков для задач распознавания образов/ Н.В. Колодникова//Докл. «ТУСУРа» Автоматизированные системы обработки информации, управления и проектирования, 2004. - №1(9). -113 с.

73. Кориков, A.M. Теория систем и системный анализ: учебное пособие/

A.M. Кориков, С.Н. Павлов. - Томск: Томе. гос. ун-т систем управления и радиоэлектроники, 2008. - 264 с.

74. Кохонен, Т. Ассоциативная память/ Т. Кохонен. - М.: Мир, 1980. - 238 с.

75. Кохонен, Т. Ассоциативные запоминающие устройства/ Т. Кохонен.-М.: Мир, 1982.

76. Кратович, П.В. Нейронные сети и модели arima для прогнозирования котировок [электронный ресурс]/П. В. Кратович//Журнал «Программные продукты и системы», 2011. - №1. - Режим доступа: http://www.swsys.ru/index. php?page=article&id=2724

77. Кратович, П.В. Нейросетевая модель прогнозирования временных ря-дов/П. В. Кратович//Жур. «Программные продукты и системы», 2010. - №1(89). -С. 132-134

78. Кратович, П. В. Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка: автореф. дис.... канд. экон. наук: 14.00.33/ Кратович Павел Валериевич. - Тверь, 2011. - 6 с.

79. Круглов, В.В. Искусственные нейронные сети. Теория и практика //

B.В. Круглов, В.В. Борисов. - М.: «Горячая линия-Телеком», 2002. - 55 с.

80. Леденева, Т.М. Эволюционный алгоритм для решения задачи нечеткой кластеризации/ Т.М. Леденева, С.А. Моисеев//Вестник ВГТУ, 2012. - Т. 8. - № 2. -С. 4-8.

81.Леденева, Т.М. О представлении информации в задачах классификации/ Т.М. Леденева, Нгуен Нгок Хуи//Вестник ВГТУ,2012. - Т. 8. - № 7.1. - С. 3338.

82. Лисецкий, Ю.М. Сложные системы/ Ю.М. Лисецкий//Научн. журн. «Программные продукты и системы», 2005. - №3. - С. 2-5.

83. Лыткина, Л.И. Технохимический контроль зерноперерабатывающих предприятий// Л.И. Лыткина, A.A. Шевцов, Е.С. Шенцова//Программа, методические указания и контрольные работы. - Воронеж: ВГТА, 2009. - 15 с.

84. Мальков, A.A. Оценка эффективности метода кластеризации, использующего субъективные оценки [электронный ресурс]/А.А. Мальков, Г.П. Виноградов// Науч. журн. «Программные продукты и системы», 2009. - №2. - Режим доступа: http://www.swsys.ru/index.php?page=article&id=2271

85. Мандель, И. Д. Кластерный анализ/ И. Д. Мандель. - М.: Финансы и статистика, 1988. - 176 с.

86. Месарович, М. Общая теория систем: математические основы/ М. Ме-сарович, И. Такахара. - М.: Мир, 1978. - 311 с.

87. Мешалкин, Л. Д. Теоретические результаты классификации при наличии обучающих выборок (дискриминантный анализ). Прикладная статистика: Классификация и снижение размерности/ Л. Д. Мешалкин. - М: Финансы и статистика, 1989.

88. Михалевич, B.C. Вычислительные методы исследования и проектирования сложных систем/ B.C. Михалевич, В.А. Волкович. - М.: Наука, 1982.

89. Моисеев С.А. Эволюционный алгоритм нечеткой кластеризации и его применение для решения проблемы редукции пространства признаков// С.А. Моиссев//Межд. Молодежи, научн. школы «Россия-ЕС. Инженерия знаний и технологии семантического анализа». - Воронеж: Изд-во «Научная книга», 2012. -С. 139-141

90. Назаров, A.B. Нейросетевые алгоритмы для прогнозирования и оптимизации систем/ A.B. Назаров, А.И. Лоскутов. - СПб.: Наука и Техника, 2003. - 384 с.

91. Новикова, Н.М. Структурное распознавание образов: учебн.-метод. пос. для вузов /Н.М.Новикова. - Воронеж: Изд-во ФГОУ ВПО ВГУ, 2008. - 30 с.

92. Нусс, С.В.Экспертная система идентификации технического состояния технологического оборудования на основе нейросетевой модели [электронный ресурс]/ С.В.Нусс// Научн. журн «Программные продукты и системы»,2009 - №4.

- Режим доступа: http://www.swsys.ru/index.php?page=aгticle&id=2363

93. Олдендерфер, М. С. Кластерный анализ /Факторный, дискриминантный и кластерный анализ: пер. с англ.// М. С. Олдендерфер, Блэшфилд Р. К.; под.общ. ред. И. С. Енюкова. - М.: Финансы и статистика, 1989. - 167 с.

94. Осовский, С. Нейронные сети для обработки информации/ С. Осовский.

- М.: Финансы и статистика, 2004. - 344 с.

95. Проталинский, О.М. Анализ адаптивных систем управления процессами на основе нейросетевых моделей// О.М. Проталинский, И.А. Щербатов, И.О. Беляев// XXIV Межд. Науч. Конф. «ММТТ-24». - Саратов: Изд-во СГТУ, 2011г. -31с.

96. Пучков, Е. В. Разработка нейросетевой системы управления технологическими процессами на сортировочных горках: дис. ... канд. тех. наук: 05.13.06/ Пучков Евгений Владимирович.- Ростов-на-Дону, 2011. - 57 с.

97. Ребриков, Д.И. Автоматизация контроля цветовых показателей качества хлебобулочных изделий с применением спектральной квалиметрии: дисс. ... канд. тех. наук: 05.13.06/ Ребриков Дмитрий Иванович. - М., 2009. - 168 с.

98. Руспини Э.Г. Последние достижения в нечетком кластер-анализе. В кн. Нечеткие множества и теория возможностей. Последние достижения/Под ред. Р. Ягера. - М.: Радио и связь, 1986. - С. 114 -132.

99. Саввина, Е.А. Влияние типа данных на результат классификации объектов [Текст] /Е.А. Саввина// Вестник ВГУИТ. - 2013.-№1. - С.68-72.

100. Саввина, Е.А. Использование методов дискриминантного анализа для классификации качества муки [Текст]/Е.А. Саввина, Е.А. Балашова, В.К. Битю-ков//Финансы.Экономика.Стратегия. — 2013. - №3. - С. 20-23.

101. Саввина, Е.А. Построение методики диагностики состояния биотехнологических систем (на примере классификации муки) [Текст]/Е.А. Саввина, В.К. Битюков//ХХИ Межд. науч.-практ. семинар «Современные технологии в задачах управления, автоматики и обработки информации». - Алушта, 2013. -С. 31-32.

102. Саввина, Е.А. Методы классификации систем различной природы и сложности [Текст]/Е.А. Саввина/ЛХМежд. практ. конф. «Прикладные научные разработки. Технологии». - Прага, 2013. - Т.И. - С. 90-92.

103. Саввина, Е.А. Диагностика инвариантных состояний систем методом кластерного анализа в мукомольном производстве [Текст]/Е.А. Саввина/ЛХМежд. практ. конф. «Прикладные научные разработки. Технологии». -Прага, 2013. -Т.14. -С. 81-85.

104. Сидоренко, Е.А.Информационное описание и диагностика состояния иерархически организованных систем: дисс. ... канд. тех. наук: 05.13.01/Сидоренко Елена Анатольевна. - Воронеж, 2001. - 206с.

105. Сорокин, С.В.Комбинирование классификаторов на основе теории нечетких множеств [электронный ресурс]/ C.B. Сорокин, С.А. Пономарев, И.А. Багрова и [др.]// Журнал «Программные продукты и системы»,2010 - №4. - Режим доступа: http://www.swsys.m/index.php?page=article&id=2627

106. Степанов, М. Ф. Интеллектуальная самоорганизующаяся система управления с вычислителем управляющего воздействия на основе автоматически конструируемой нейронной сети / М. Ф. Степанов, А. М. Степанов // Вестник СГТУ ,2010. - № 51. - С. 126 - 128

107. Субботин, С.А. Выбор набора информативных признаков для синтеза моделей объектов управления на основе эволюционного поиска с группировкой признаков/С.А. Субботин, A.A. Олейник//Науч. журн. «Искусственный интеллект»,2006. - №4. - 488 - 494 с.

108. Толстова, Ю.Н. Анализ социологических данных/ Ю.Н. Толстова. - М: Научный мир, 2000. - 352 с.

109. Турганбаев, Е. М. Идентификация региональных индустриальных кластеров и оценка их структурного воздействия на экономику региона (на примере

вко)/Е. М Турганбаев, М. В. Козлова// Научн. журн. «Управление в социально-экономических системах», 2009. - В.25. - С. 139-178.

110. Уёмов, А. И. Системный подход и общая теория систем. - М.: Мысль, 1978. - 272 с.

111. Уиллиамс, У.Е., Методы иерархической классификации/ У.Е. Уилли-амс, Д.н. Ланс [под ред. М.Б. Малютов]//Статистические методы для ЭВМ. - М.: Наука, 1986.

112. Уоссермен, Ф. Нейрокомпьютерная техника/Ф. Уоссермен, пер. с англ.,. - М.: Мир, 1992. - 118 с.

113. Хайдуков, Д. С. Применение кластерного анализа в государственном управлении. Философия математики: актуальные проблемы// Д. С. Хайдуков. - М.: МАКС-Пресс, 2009. - 287 с.

114. Хайкин С. Нейронные сети/С. Хайкин. - М.: Изд. дом Вильяме, 2006. -1103с.

115. Хосни, Р. К. Зерно и зернопродукты /К. Р. Хосни; пер. с англ. под общ.ред. Н. П. Черняева. - СПб: Профессия, 2006.

116. Чернов, A.B. Автоматизированная система проектирования искусственной нейронной сети [электронный ресурс]/А.В. Чернов, Г.И. Белявский, Е.В. Пучков//Научн. журн. «Программные продукты и системы»,2011. - №2. - Режим доступа: http://www.swsys.ru/index.php?page=article&id=2756

117. Черных, В. Реологические характеристики пищевых продуктов / В. Черных, А. Максимов // Хлебопродукты, 2005. - № 1. - С. 36-37

118. Шеожев, А. М. Разработка нейросетевых алгоритмов для автоматизации медико-биологических исследований: дисс. ... канд. тех. наук: 05.13.18/Шеожев, Альберт Мухамедович.- Нальчик, 2004. - 134 с.

119. Шпрехер, Д.М. Исследование диагностирования электромеханических систем в нейросетевом базисе/Д.М. Шпрехер// XXIV Межд. науч. конф. Математические методы в технике и технологиях «ММТТ-24».- Саратов: Изд-во СГТУ, 2011г.- 130 с.

120. Яцкив, И. Методы определения количества кластеров при классификации без обучения/ И. Яцкив, JI. Гусарова// Журн. «Transportand Telecommunication», 2003. - Vol.4. - № 1.- С. 23 - 28

121. Bailey, К. Cluster Analysis in Sociological Methodology/K. Bai-ley//Sociological Methodology, 1975. - pp. 59 - 128.

122. Bronzino, Joseph D. The Biomedical Engineering Handbook, third Edition/ J. D. Bronzino. - CRC Press, 2006.

123. Bacher, Johann Spss twostep cluster - a first evaluation//Johann Bacher, Knut Wenzin, Melanie Vogler. UniversifatErlangen-N'urnberg, 2004. - 20 p.

124. Bacher, J. A Probabilistic Clustering Model for Variables of Mixed Type. Quality &Quantity, 2000. - 223 p.

125. Celeux, G. Stochastic Versions of the EM Algorithm: An Experimental Study in the Mixture Case/ G. Celeux, D. Chaveau, J. Diebolt// Journal of Statistical Computation and Simulation, 1996. - 55. - pp. 287 - 314.

126. Celeux, G. A Classification EM Algorithm for Clustering and Two Stochastic Versions/ G. Celeux, G. Govaert// Computational Statistics and Data Analysis, 1992.- 14.-pp. 315 -332.

127. Chiu, Т., Fang, D., Chen, J., Wang, Y., &Jeris, C. (2001). A Robust and Scalable Clustering Algorithm for Mixed Type Attributes in Large Database Environment. In Proceedings ofthe 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2001. - pp. 263 - 268.

128. Everitt, B. S., Landau, S., &Leese, M. Cluster analysis.//London: Arnold, forth edition, 2001. - 94 - 96 p.

129. Everitt, B. S. Cluster analysis. London: Heinemann Educational Books, second, repr. Edition, 1981.

130. Hartigan, J. A. Algorithm AS 136: A k-Means Clustering Algorithm/ J. A. Hartigan, M. A. Wong//Applied Statistics, 1978. - № 28. - pp. 100 - 108.

131. Hopfield, JJ. Neural networks and physical systems with emergent collective computational abilities/ JJ. Hopfield, //Proc. Nat. Acad. Sci. USA, 1982. - Vol. 79. - pp. 2554-2558

132. Huang, Z. Extensions to the k-means Algorithm for Clustering Large Data Sets with Categorical Variables. Data Mining and Knowledge Discovery, 1998. - №2.288 p.

133. Jiangsheng, Yu. Clustering Methods. Applications of Multivariate Statistical Analysis/Jiangsheng Yu/Institute of Computational Linguistics, Peking University, Beijing, 100871.

134. IBM SPSS Neural Networks 19 [электронный ресурс], Copyright SPSS Inc, 2010 140 p. - Режим доступа: ftp://fitp.spss.com/pub/web/wp/TSCWP-0101.pdf

135. Koonin, E. V. The Logic of Chance: The Nature and Origin of Biological Evolution. - FT Press, 2011. - 516 p.

136. Kovalev, I.V. Programming support of the analysis of cluster structutes of failure-resistant information systems/ I.V. Kovalev, E.A. Engel, RJu. Nsa-rev//Automatic Documentation and Mathematical linguistics, 2007. - Vol. 41, №3. -pp. 89-92.

137. Kohonen, T. Self-organized formation of topologically correct feature maps Biological Cybernetics/ T. Kohonen, 1982. - Vol. 43. - pp. 59 - 69

138. Martinetz, T.M. Neural-gas network for vector quantization and its application to time-series prediction IEEE/T.M. Martinetz, S.G. Berkovich, KJ. Schulten // Transactions on Neural Networks, - Vol. 4, No. 4. - pp.558 - 569.

139. Macqueen, J. Some Methods for Classification and Analysis of Multivariate Observations. In Proc. of the 5th Berkeley Symposium on Mathematical Statistics and Probability/ J. Macqueen// Berkeley: University of California Press, 1967. - Vol. 1. -pp.281 -297.

140. Pushkareva, T.G. Detection of fires from satellite images using a nonpara-metric algorithm of pattern recognition in space of the informative parameters / T.G. Pushkareva, K.T. Protasov // Proceedings of SPIE, 2000. - Vol. 4341. -pp. 283-285.

141. Savvina, E.A. A general method of diagnostics of invariant information flows [Текст] /Е.А. Sawina / IX Межд. практ. конф. «Прикладные научные разра-ботки.Технологии».-Прага, 2013. - Т. 14. - С. 85-89.

142. SPSS Inc. The SPSS TwoStep cluster component. A scalable component tosegment your customers more effectively. White paper - technical report, Chicago, 2001.

143. Tifkrby, K.L. Local method of classification/K.L. Tifkrby// - M.: Изд-во МГУ, 1969. - вып. 1- С. 58-78

144. Tryon, R.C. Cluster analysis/ R.C. Tryon. - London: Ann Arbor Edwards Bros, 1939. - 139 p.

145. Ward J.H. Hierarchical grouping to optimize an objective function // J. of the American Statistical Association, 1963. - pp. 236.