Автоматизация проектирования систем интеллектуального анализа данных: В сфере энергетики и регионального управления тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Козырев, Михаил Александрович

  • Козырев, Михаил Александрович
  • кандидат технических науккандидат технических наук
  • 2004, Иваново
  • Специальность ВАК РФ05.13.12
  • Количество страниц 212
Козырев, Михаил Александрович. Автоматизация проектирования систем интеллектуального анализа данных: В сфере энергетики и регионального управления: дис. кандидат технических наук: 05.13.12 - Системы автоматизации проектирования (по отраслям). Иваново. 2004. 212 с.

Оглавление диссертации кандидат технических наук Козырев, Михаил Александрович

Введение.

Глава 1. Современные подходы к организации аналитической обработки данных в системах поддержки принятия решений.

1.1. Концепция хранилищ данных - основа среды поддержки принятия решений.

1.2. Методы и средства аналитической обработки данных.

1.2.1. Системы регламентированной отчетности.

1.2.2. Оперативная аналитическая обработка данных.

1.2.3. Интеллектуальный анализ данных.

1.2.4. Соотношение концепций интеллектуального анализа и оперативной аналитической обработки данных.

1.3. Обзор существующих инструментальных средств.

1.3.1. Microsoft.

1.3.2. Oracle.

1.3.3. Cognos.

1.3.4. ЗАО «Прогноз».

1.3.5. Basegroup Labs.

1.4. Выводы по главе 1.

Глава 2. Методы организации интеллектуального анализа данных в среде поддержки принятия решений.

2.1. Программный комплекс ИнфоВизор - основа организации среды поддержки принятия решений.

2.2. Методы организации интеллектуального анализа данных.

2.2.1. Метод организации интеллектуального анализа в среде многомерной аналитической обработки.

2.2.2. Метод организации интеллектуального анализа детализированных данных.

2.3. Выводы по главе 2.

Глава 3. Адаптация методов интеллектуального анализа данных для применения в среде поддержки принятия решений.

3.1. Реализация методов интеллектуального анализа данных в среде оперативной аналитической обработки.

3.1.1. Организация информационного взаимодействия методов с хранилищем данных.

3.1.2. Метод главных компонент.

3.1.3. Кластерный анализ.

3.1.4. Визуализация многомерных данных.

3.1.5. Расширение аналитической функциональности методов.

3.2. Реализация методов интеллектуального анализа детализированных данных.

3.2.1. Организация информационного взаимодействия методов с хранилищем данных.

3.2.2. Нейронные сети.

3.2.3. Деревья решений.

3.3. Выводы по главе 3.

Глава 4. Проектирование средств интеллектуального анализа данных в прикладных информационных системах.

4.1. Технология автоматизированного проектирования информационно-аналитических систем.

4.1.1. Проектирование хранилища данных.

4.1.2. Технология проектирования средств интеллектуального анализа данных.

4.2. Информационно-аналитическая система по топливно-энергетическому балансу Ивановской области.

4.3. Информационно-аналитическая система по социально-экономическому положению регионов.

4.4. Информационно-аналитическая система по энергосбережению в сфере образования.

4.5. Выводы по главе 4.

Рекомендованный список диссертаций по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Введение диссертации (часть автореферата) на тему «Автоматизация проектирования систем интеллектуального анализа данных: В сфере энергетики и регионального управления»

Эффективное управление сложными техническими и социальными системами в процессе их жизненного цикла, включающего проектирование, создание и эксплуатацию, невозможно без полноценной информационной поддержки, обеспечиваемой автоматизированными системами поддержки принятия решений (СППР).

Достаточно остро проблема информационной поддержки принимаемых решений стоит в энергетической сфере. Сложность систем энергетики, значительные средства, расходуемые на всех этапах их жизненного цикла, а также высокие требования к качеству и надежности энергоснабжения, обуславливают необходимость дальнейшей разработки и совершенствования методов и средств принятия решений, реализуемых на разных уровнях управления. Не менее остро проблема информационной поддержки стоит в региональном управлении. Обоснованное и рациональное принятие решений в этой сфере возможно лишь при выполнении оперативного многоаспектного анализа большого количества данных.

Современный подход к автоматизации поддержки принятия решений основан на использовании концепции хранилищ данных (ХД) корпоративных информационно-аналитических систем (ИАС). Интеграция информации и ее комплексная аналитическая обработка позволяют обеспечить поддержку принятия решений с целью совершенствования исследуемых систем, а также с целью оценки эффективности принимаемых решений. Современный арсенал средств автоматизации поддержки принятия решений включает информационно-поисковые системы (ИПС), системы генерации отчетов, средства оперативной аналитической обработки данных (On-Line Analytical Processing, OLAP) и интеллектуального анализа данных (ИАД, Data Mining). Если первые обеспечивают решение задач оперативной отчетности и разведочного анализа данных, то ИАД предназначен для выявления существенных закономерностей в характеристиках исследуемой системы. При этом эффективность создаваемой ИАС в значительной степени зависит от того, насколько средства ИАД интегрированы с единой информационной средой поддержки принятия решений. Проблема организации интеллектуального анализа данных не имеет на сегодняшний день комплексного решения, совмещающего гибкость информационных моделей ХД с удобством манипулирования данными при использовании различных методов анализа.

Масштаб и сложность исследуемых систем, а также длительность их жизненного цикла требуют совершенствования средств автоматизированного проектирования ИАС. Это достигается на основе разработки развитых инструментальных средств, обеспечивающих процесс создания информационно-аналитических систем и их перепроектирование для учета изменений в исследуемой предметной области и для удовлетворения расширяющихся информационных потребностей.

Целью диссертации является разработка методов и средств автоматизации проектирования информационно-аналитических систем, обеспечивающих унифицированные способы организации интеллектуального анализа данных в комплексном процессе обработки накапливаемой информации для эффективной поддержки принятия решений.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи.

1. Исследование методов интеллектуального анализа данных и подходов к их использованию в СППР.

2. Разработка метода организации ИАД в среде оперативной аналитической обработки.

3. Разработка механизма многомерного концептуального представления детализированных данных из реляционных источников для интеллектуального анализа.

4. Разработка функционального ядра предоставления детализированных данных корпоративного хранилища для ИАД посредством использования многомерных концептуальных моделей, хранящихся в специализированных аналитических метаданных.

5. Адаптация методов интеллектуального анализа данных для их применения в рамках разработанных подходов к организации ИАД в СППР.

6. Разработка инструментария интеллектуального анализа данных, ориентированного на применение в среде автоматизированного проектирования ИАС.

7. Разработка технологии организации анализа данных при создании прикладных ИАС.

При решении поставленных задач в диссертационной работе использованы: методы системного анализа, теория множеств, теория построения информационных систем, теория баз данных, методы искусственного интеллекта, теория прикладной статистики, теория и методы автоматизированного проектирования.

Научная новизна работы заключается в разработке методов организации интеллектуального анализа данных в среде поддержки принятия решений, отличающихся использованием многомерного концептуального представления данных при реализации информационного взаимодействия алгоритмов анализа с хранилищем.

Получены следующие новые научные результаты.

1. Разработан метод организации ИАД в среде оперативной аналитической обработки, включающий описание многомерных данных в информационной модели и порядок ее использования при проведении анализа. Предлагаемая информационная модель, описывая метауровень над анализируемым гиперкубическим представлением данных, задает направление его проецирования в виде матрицы «объект - свойство». В отличие от традиционных решений в сфере ИАД, использующих в качестве входной информации плоские файлы, данный метод позволяет использовать преимущества манипулирования многомерными данными, что выражается: а) в возможности получения информации для анализа любой размерности и степени агрегации посредством базовой OLAP-системы; б) в обеспечении сохранения многомерного взгляда на информацию при проведении анализа.

За счет повышения уровня консолидации информации посредством предложенного способа интеграции OLAP-технологии и ИАД разработанный метод увеличивает производительность аналитической обработки накопленной в хранилище данных информации, что способствует более эффективной поддержке принятия решений. 2. Разработан метод организации интеллектуального анализа детализированных данных, основанный на многомерном концептуальном представлении реляционной структуры хранилища данных посредством соответствующих информационных моделей, описании моделей в аналитических метаданных и использовании их при проведении анализа. Предложенный подход реализует манипулирование детализированными данными в соответствии с многомерным представлением, включая определение интересующих характеристик многомерного факта, уровней обобщения и областей значений. В отличие от известных подходов к организации интеллектуального анализа детализированных данных, разработанная информационная модель обеспечивает гибкость при моделировании исследуемых фактов за счет: а) равноправного манипулирования количественными и качественными характеристиками анализируемых фактов; б) возможности трансформации количественных характеристик многомерных фактов в соответствии с заданной бизнес-логикой; в) возможности задания произвольных уровней обобщения для качественных характеристик многомерных фактов и области их значений.

Выбор адекватных цели исследования объема данных и степени их обобщения позволяет уменьшить временные затраты на исследование данных с одновременным улучшением интерпретации получаемых закономерностей.

3. Предложена архитектура инструментальной системы интеллектуального анализа данных в рамках программного комплекса, ориентированного на автоматизированное проектирование ИАС. В ее основе лежит функциональное ядро доступа к ХД, к которому подключаются модули ИАД посредством предложенных информационных интерфейсов. Данная архитектура, отличаясь реализацией унифицированных способов информационного взаимодействия алгоритмов с хранилищем данных, позволяет осуществлять гибкое масштабирование проектируемых ИАС.

4. Предложена технология автоматизированного проектирования средств интеллектуального анализа данных при создании прикладных ИАС на основе разработанного комплекса программных средств. Данная технология отличается комплексностью получаемых решений в конкретных предметных областях, интегрированностью отдельных составляющих аналитической обработки данных, разнообразием и гибкостью концептуального моделирования анализируемой предметной области.

На защиту выносятся:

1. Метод организации интеллектуального анализа данных в среде оперативной аналитической обработки.

2. Метод организации интеллектуального анализа детализированных данных.

3. Архитектура инструментальной системы интеллектуального анализа данных в рамках программного комплекса, ориентированного на автоматизированное проектирование информационно-аналитических систем.

4. Технология проектирования средств интеллектуального анализа данных при создании прикладных ИАС на основе разработанного комплекса программных средств.

Основные положения диссертации изложены в работах [90 - 100], а также обсуждались:

• на Международной научно-технической конференции «XI Бенардосов-ские чтения» (Ивановский государственный энергетический университет, Иваново, 2003);

• на 2 Международной научно-технической конференции «Информатизация процессов формирования открытых систем на основе СУБД, САПР, АСНИ и систем искусственного интеллекта» (Вологодский государственный технический университет, Вологда, 2003);

• на 4 Международной конференции старшеклассников, студентов, молодых ученых, преподавателей, аспирантов и докторантов «Актуальные проблемы современной науки» (Самара, 2003);

• на X Международной научно-технической конференции «Информационная среда ВУЗа» (Ивановская государственная архитектурно-строительная академия, Иваново, 2003);

• на Международном научно-практическом семинаре «Стратегия развития высшей школы и управление качеством образования» (Ивановский государственный энергетический университет, Иваново, 2003). Диссертационная работа структурно состоит из введения, четырех глав и

Похожие диссертационные работы по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Козырев, Михаил Александрович

4.5. Выводы по главе 4

В рамках данной главы описана отработанная технология автоматизированного проектирования средств ИАД при создании прикладных ИАС на основе комплекса программных средств ИнфоВизор. На примере реализованных решений показано, что эффективность проектируемой ИАС в целом и ее интеллектуальной составляющей в частности в обеспечении информационной поддержки принятия решений определяется всеми составляющими представленной технологии. Базисом информационно-аналитической системы, определяющим ее потенциальные аналитические возможности, является интеграция необходимой информации в хранилище данных. Собственно поддержка принятия решений обеспечивается при помощи разнообразных развитых средств анализа данных.

Важной особенностью реализации различных способов информационно-аналитической обработки накопленных в хранилище данных в комплексе ИнфоВизор является их взаимосвязанность и взаимодополняемость при организации поддержки принятия решений. Принятая технология отличается комплексностью получаемых решений в конкретных предметных областях, интегрированностью отдельных составляющих аналитической обработки данных, включая ИАД, разнообразием и гибкостью концептуального моделирования анализируемой предметной области.

Заключение

Практическое применение рассмотренных в работе методов и программных средств открывает перспективу эффективного использования средств интеллектуального анализа данных для решения актуальной народнохозяйственной задачи - обеспечения информационной поддержки управления сложными техническими и социальными системами в процессе их жизненного цикла, включая проектирование, создание и эксплуатацию. Эффективность интеллектуального анализа достигается, с одной стороны, за счет реализованной интеграции с современными концепциями хранения и анализа данных. С другой стороны, удовлетворение постоянно расширяющихся аналитических потребностей обеспечивается созданными инструментальными средствами автоматизированного проектирования ПАС.

Разработан метод организации ИАД в среде оперативной аналитической обработки, включающий описание многомерных данных в информационной модели и порядок ее использования при проведении анализа. В отличие от традиционных решений в сфере ИАД, использующих в качестве входной информации плоские файлы, данный метод позволяет использовать преимущества манипулирования многомерными данными. Оперативно задавая направления проецирования анализируемого гиперкубического представления данных в виде матрицы «объект - свойство», метод обеспечивает многомерный взгляд на информацию при проведении интеллектуального анализа. Это выражается в возможности получения информации для анализа любой размерности и степени агрегации и свободном манипулировании измерениями гиперкубического представления. За счет этого разработанный метод увеличивает производительность аналитической обработки накопленной в ХД информации, что способствует более эффективной поддержке принятия решений.

Разработан метод организации интеллектуального анализа детализированных данных, основанный на многомерном концептуальном представлении реляционной структуры хранилища данных посредством соответствующих информационных моделей, описании моделей в аналитических метаданных и использовании их при проведении анализа. Предложенный подход распространяет многомерное концептуальное представление на случай, когда данные для ИАД должны быть представлены в явном детализированном виде. В отличие от известных подходов к организации интеллектуального анализа детализированных данных, разработанная информационная модель обеспечивает гибкость при моделировании исследуемых фактов за счет: равноправного манипулирования количественными и качественными характеристиками анализируемых фактов; возможности трансформации количественных характеристик многомерных фактов в соответствии с заданной бизнес-логикой; возможности задания произвольных уровней обобщения для качественных характеристик многомерных фактов и области их значений. За счет указанной гибкости в определении объема исследуемых данных и степени их обобщения разработанный метод позволяет уменьшить временные затраты на исследование данных с одновременным улучшением интерпретации получаемых закономерностей.

Предложена архитектура построения инструментальной системы интеллектуального анализа данных в рамках программного комплекса, ориентированного на автоматизированное проектирование ИАС. В ее основе лежит функциональное ядро доступа к ХД, к которому подключаются модули ИАД посредством предложенных информационных интерфейсов. В рамках предложенной архитектуры в работе представлена реализация ряда существующих методов ИАД. На их примере отработана методика адаптации технологических методов ИАД к предложенным способам его организации, позволяющая осуществлять гибкое масштабирование проектируемых систем анализа.

На основе предложенных подходов к организации ИАД в среде поддержки принятия решений и разработанного в рамках программного комплекса ИнфоВизор инструментария реализованы подсистемы ИАД в ряде прикладных информационно-аналитических систем в сфере энергетики и регионального управления:

• ИАС по топливно-энергетическому балансу Ивановской области (Администрация Ивановской области);

• ИАС по энергосбережению в сфере образования (Министерство образования России);

• ИАС по социально-экономическому положению регионов (Администрации Ивановской, Владимирской и Костромской областей, Департамент региональной экономики Минэкономразвития России).

На их примере отработана технология автоматизированного проектирования средств интеллектуального анализа данных при создании прикладных ИАС на основе разработанного комплекса программных средств. Отличительной особенностью данной технологии является комплексность получаемых решений в конкретных предметных областях, интегрированность отдельных составляющих аналитической обработки данных, разнообразие и гибкость концептуального моделирования анализируемой предметной области.

Дальнейшее развитие исследований планируется в следующих направлениях.

• Развитие методологии аналитической обработки в рассмотренных энергетических приложениях по мере получения новых данных, включая расширение библиотеки реализованных технологических методов ИАД.

• Повышение эффективности интеллектуального анализа в среде оперативной аналитической обработки за счет обогащения структуры анализируемого гиперкуба.

• Обеспечение обратной связи между средствами ИАД и оперативной аналитической обработки, позволяющей в автоматическом режиме использовать выявленные закономерности в данных для реализации новых моделей многомерного анализа.

• Автоматизация использования найденных закономерностей непосредственно при принятии решений.

Список литературы диссертационного исследования кандидат технических наук Козырев, Михаил Александрович, 2004 год

1. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. - № 3. - С. 72-77.

2. Адомавичус Г., Тужилин А. Использование методов добычи данных для создания профилей потребителей // Открытые системы. 2001. - №5-6. -С. 75-82.

3. Айвазян С.А., Мхитарян B.C. Прикладная статистика в задачах и упражнениях: Учебник для вузов. М.: ЮНИТИ-ДАНА, 2001. - 270 с.

4. Андрианов Д.Л., Балаш М.Н., Косвинцев K.JL, Кулаков М.Ю., Ситников Д.В. Имитационное моделирование и сценарный подход в системах поддержки принятия решений // Проблемы теории и практики управления. -2002.-№5.-С. 74-75.

5. Андрианов Д.Л., Полушкина Г., Павлов В., Кулаков М., Речицкая О., Овчаров Е., Косвинцев К. Построение систем учета, анализа и прогнозирования государственных финансов // Проблемы теории и практики управления. 2003. - №2.

6. Артемьев В. Что такое Business Intelligence? // Открытые системы. 2003. -№4.-С. 20-26.

7. Асеев М.Г., Баллюзек М.Ф., Дюк В.А. Разработка медицинских экспертных систем средствами технологии Data Mining. — http://datadiver.nw.ru/Articles/DevDM.htm.

8. Блинов С. BrainMaker прогнозирование на финансовых рынках // Открытые системы. - 1998. - №4. - С. 42-^6.

9. Блок энергетических балансов страны и регионов (ТЭБ). -http://energo21 .ru/methodology/teb.html.

10. П.Большаков П.С. Уникальные возможности STATISTICA Data Miner. -http://www.statsoft.ru/home/applications/dataminer.htm.

11. Буров К. Обнаружение данных в хранилищах данных // Открытые системы. 1999. - №5-6. - С. 67-77.

12. Вагин Г.Я., Лоскутов А.Б., Солнцев Е.Б., Шмелев М.Е., Фитасов А.Н. Энергоаудит организаций бюджетной сферы Нижегородского региона // Энергоэффективность: опыт, проблемы, решения. 1999. - Вып. 1. - С. 52-55.

13. Варфоломеев А. Средства Data Mining в Microsoft SQL Server 2000 // BYTE/Россия. 2002. - №4.

14. Ганьон Г. Проектирование киоска данных // PC Magazine/RE. 2000. -№7.

15. Горбань А. Нейроинформатика и ее приложения // Открытые системы. -1998.-№4.-С. 36-41.

16. Де Виль Б. Средства исследования данных в SQL Server 2000 // SQL Magazine OnLine. 2001. - №2.

17. Дюк В. Data Mining состояние проблемы, новые решения. — http://www.inftech.webservis.ru/it/database/datamining/arl.html.

18. Дюк В., Самойленко A. Data Mining: Учебный курс. СПб: Питер, 2001. -368 с.

19. Дюк В. Осколки знаний // Экспресс-Электроника. 2002. - №6. - С. 6065.

20. Елманова Н. Microsoft SQL Server 2000 Analysis Services // КомпьютерПресс. 2000. - №9. - С. 43—47.

21. Иванов П. Бизнес-интеллект в телекоммуникациях // Сети. 2003. - №13.

22. Ивлиев С., Полушкина Г. Моделирование динамики сложных экономических систем: инструментальное решение // Банковские технологии. -2003.-№3.

23. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - №4. - С. 41-44.

24. Компания BaseGroup Labs, http://www.basegroup.ru.

25. Коровкин С. Д., Левенец И. А., Ратманова И. Д., Старых В. А., Щавелёв Л. В. Решение проблемы комплексного оперативного анализа информации хранилищ данных // СУБД. 1997. - № 5-6. - С. 47-51.

26. Короткий С. Нейронные сети: алгоритм обратного распространения. -http://lii.newmail.ru/NN/KOROTKY/N2/kornn2.htm.

27. Левенец И.А. Методы и средства автоматизации проектирования и эксплуатации хранилищ данных (в сфере электроэнергетики и регионального управления): Дис. канд. техн. наук: 05.13.12, 05.13.01 / Ивановск. гос. энерг. ун-т. Иваново., 2001. - 152 с.

28. Лисянский К. Архитектурные решения и моделирование хранилищ и витрин данных // Директор ИС. 2002. - №3.

29. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных // СУБД. 1997. - №3.

30. Майоров A. Data Mining на службе у таможни // Открытые системы. -2002.-№10.-С. 74-79.

31. Маклаков С.В. Моделирование бизнес-процессов с BPwin 4.0. М.: ДИАЛОГ - МИФИ, 2002. - 224 с.

32. Мелентьев Л.А. Энергетический баланс. Терминология. М.: Наука, 1973.-32 с.

33. Методика проведения энергетических обследований бюджетных организаций. НИЦЭ, Н.Новгород, 1999 г.

34. Мусаев А. Интеллектуальный анализ данных: Клондайк или Вавилон? // Банковские технологии. 1998. - №11-12.

35. Николаи Д. IBM объединяет OLAP и добычу данных // Computerworld. -2001.-№46.

36. Нуждин В.Н., Кадамцева Г.Г. Стратегическое управление качеством образования: Учебное пособие // Иван. гос. энерг. ун-т. — Иваново. — 2002.

37. Педерсен Т., Иенсен К. Технология многомерных баз данных // Открытые системы. 2002. - №1. - С. 45-50.

38. Пржиялковский В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации // СУБД. 1996. - № 4. - С. 71-83.

39. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2-е изд., испр. Т. 1: Айвазян С.А., Мхитарян B.C. Теория вероятностей и прикладная статистика. - М.: ЮНИТИ-ДАНА, 2001. - 656 с.

40. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2-е изд., испр. Т. 2: Айвазян С.А. Основы эконометрики. - М.: ЮНИТИ-ДАНА, 2001.-432 с.

41. Пройдаков Э. Что такое Data Mining // PC Week/RE. 1999. - №26.

42. Ратманова И.Д. Методология интеграции информации при создании автоматизированных систем поддержки принятия управленческих решений // Актуальные проблемы современной науки: Тез. докл. 4-й Межд. конф. 10-12 сентября 20.03 г. Самара, 2003. - С. 106-111.

43. Ривкин М. Новые возможности Oracle 9.2 // Открытые системы. 2002. -№11.-С. 59-61.

44. Савельев В.А. Методика оценки энергетической безопасности регионов на примере Ивановской области // Повышение эффективности работы энергосистем: Тр. ИГЭУ. Вып. 5. М.: Энергоатомиздат, 2002. - С. 5466.

45. Сахаров А. А. Концепция построения и реализации информационных систем, ориентированных на анализ данных // СУБД. 1996. - № 4. — С. 55-70.

46. Сахаров А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server) // СУБД. 1996. - № 3. - С. 44-59.

47. Скуднова О.В., Загряжский А.В. Мониторинг энергопотребления образовательных учреждений // Энергоэффективность: опыт, проблемы, решения. 2002. - Вып. 3. - С. 86-90.

48. Спирли, Эрик. Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1.: Пер. с англ. М.: Издательский дом «Вильяме», 2001.-400 е.: ил.

49. Степанов B.C. Фондовый рынок и нейросети // Мир ПК. 1998. - №12. — С. 40—46.

50. Суслов А. Инструменты и технологии аналитической обработки данных // Сетевой журнал. 2001. -№12.

51. Суспицын С.А. Комплекс моделей для оценки государственной региональной политики // Проект СИРЕНА: модели оценки региональной политики Новосибирск: ИЭиОПП СО РАН. - 1999. - С. 6-27.

52. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992.-240 с.

53. Ушаков А., Рязанова JL, Андрианов Д. и др. Разработка прогнозов социально-экономического развития регионов с использованием комплексной имитационной модели // Российский экономический журнал. 2000. — №2.-С. 72-78.

54. Федоров А., Елманова Н. Введение в OLAP: часть 1. Основы OLAP // КомпьютерПресс. 2001. - №4. - С. 145-148.

55. Федоров А., Елманова Н. Введение в базы данных: средства Business Intelligence // КомпьютерПресс. 2001. - №3. - С. 127-132.

56. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. 1998. - №4. - С. 25-28.бО.Чаудхури С., Дайал У., Ганти В. Технология баз данных в системах поддержки принятия решений // Открытые системы. 2002. - №1. - С. 37-44.

57. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. - №1. - С. 30-35.

58. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами // Открытые системы. 1998. - №4. - С. 29-35.

59. Щавелев JI.B. Автоматизация проектирования систем оперативной аналитической обработки данных (на примере информационно-аналитических систем в энергетике) Дис. канд. техн. наук: 05.13.12, 05.13.01 / Ивановск. гос. энерг. ун-т. Иваново., 1999.

60. Щавелев JI.B. Способы аналитической обработки данных для поддержки принятия решений // СУБД. 1998. - № 4-5. - С. 51-60.

61. Brand Е., Gerritsen R. Data Mining and Knowledge Discovery // DBMS. -1998.-№7.

62. Brieman L. et al. Classification and Regression Trees. Wadsworth & Brooks, Montetrey CA.- 1984.

63. Buntine W.L. A Theory of Learning Classification Rules. http: cite-seer.nj.nec.com/buntine92theory.html.

64. Codd E. F., Codd S. В., Salley С. T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. E. F. Codd & Associates, 1993.

65. Han J. OLAP Mining: An Integration of OLAP with Data Mining // Proc. IFIP Conf. Data Semantics, Chapman & Hall/CRC, Boca Raton, Fla. 1997.

66. Hoss D. Top Ten Trends in Data Warehousing // DM Review. 2001. (October).

67. Inmon W. H. Building The Data Warehouse (Second Edition). NY, NY: John Wiley. - 1993.

68. Kelkar В. Exploiting Symbiosis between Data Mining and OLAP for Business Insights // DM Direct. 2001. - December.

69. Kimbal R. Features for Query Tools // DBMS. 1997. - Vol. 10. - No.2 (February). - P. 4-7.

70. Kimbal R. Turbocharge Your Query Tools // DBMS. 1997. - Vol. 10. -No. 10 (October). -P. 14-17.

71. McAmis D. Data Analyzer on Every Desktop. 2002. -http ://www. intelligententerpri se. com/020221/5 04products 1 2. shtml.

72. Michalski R. S. A theory and methodology of inductive learning // Artificial Intelligence. 1983. - 20(2). - P. 111-162.

73. Michalski R. S. On the quasi-minimal solution of the covering problem // In Proceedings of the 5th International Symposium on Information Processing (FCIP-69): Vol. A3 (Switching Circuits). Bled, Yugoslavia. - 1969. - P. 125-128.

74. Murthy S. Automatic construction of decision trees from data: A multi-disciplinary survey // Data Mining and Knowledge Discovery. vol. 2. - №4. - 1998.-P. 345-389.

75. Newquist H.P. Data Mining: The AI Metamorphosis // Database Programming and Design. 1996. - №9.

76. Pagallo G., Haussler D. Boolean feature discovery in empirical learning // Machine Learning. 1990. - 5. - P. 71-99.

77. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997. - №2.

78. Parsaye K. Surveying Decision Support: New Realms of Analysis // Database Programming and Design. 1996. - №4.

79. Pends N. What is OLAP? http://www.olapreport.com/fasmi.htm.

80. Quinlan J. R. C4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann. - 1993.

81. Quinlan J. R. Induction of decision trees // Machine Learning. 1986. - №1. -P. 81-106.

82. Ramasubbu R. The Power of Meta Data // DM Review. 1999. - №2. (February).

83. Skriletz R. BI in Energy Industry // DM Review. 2002. - №8. (August).

84. Slaughter A. OLAP. http://scanner-group.mit.edu/htdocs/thesis/adthesis.html.

85. Stringer M. Putting Business Intelligence to Work // Insurance Journal. 2003. -№5. (May).

86. Автоматизация поддержки принятия решений по социально-экономическому положению региона: Отчет о НИР (заключ.) / Ивановский государственный энергетический университет: № ГР 01200303541. — Иваново, 2002. 60 с.

87. Козырев М.А. Метод организации интеллектуального анализа данных в среде многомерной аналитической обработки // Актуальные проблемы современной науки: Тез. докл. 4-й Межд. конф. 10-12 сентября 2003 г. -Самара, 2003.-С. 51-54.

88. Ратманова И.Д., Козырев М.А. Информационно-аналитическая система по мониторингу и оценке ресурсоэффективности образовательных учреждений // Повышение эффективности работы энергосистем: Тр. ИГЭУ. Вып. 5. М.: Энергоатомиздат, 2002. - С. 127-135.

89. Ратманова И.Д., Козырев М.А. К вопросу создания автоматизированной системы поддержки принятия решений в ВУЗе // Информационная среда вуза: Тез. докл. X Межд. науч.-техн. конф. 27-28 ноября 2003 г. Иваново: ИГАСА, 2003. - С. 10-13.

90. Ратманова И.Д., Козырев М.А. Интеллектуальный анализ данных: Методические указания для студентов специальностей 2204 и 5528 / Иван. гос. энерг. ун-т. Иваново: ИГЭУ, 2003. - 56 с.

91. Описание программного комплекса ИнфоВизор для автоматизации поддержкипринятия решенийа ы о • l b- йв г?1. ЛИ*.b*fpicw с чт1. HMir>vi *«« вм ойРП. f'M*1. Юрт1. Тми с*1»т»

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.