Интегрированная информационно-аналитическая система для прогнозирования свойств неорганических соединений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Столяренко, Андрей Владиславович

• Столяренко, Андрей Владиславович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Столяренко, Андрей Владиславович

ВВЕДЕНИЕ.

ГЛАВА 1. СРЕДСТВА И ТЕХНОЛОГИИ, ПРИМЕНЯЕМЫЕ ПРИ РАЗРАБОТКЕ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ.

1.1. Принципы создания информационно-аналитических систем.

1.1.1. Назначение ИАС.

1.1.2. Обзор исследований по созданию ИАС в области неорганического материаловедения.

1.1.3. Состав архитектуры ИАС, построенной на базе хранилища данных. 13"

1.1.4. Методика интеграции информационных источников в ИАС.

1.1.5. Анализ данных.

1.1.6. Knowledge Discovery in Databases.

1.1.7. Сравнение экспертных и партнерских систем.

1.1.8. Web-портал.

1.2: Технологии интеграции программных систем.

1.2.1. Подходы к интеграции.

1.2.2. Классификация способов взаимодействия интегрируемых программных систем.

1.2.3. Применение сервисно-ориентированной архитектуры при проектировании ИАС.

1.2.4. Web-сервисы. Современный подход к задачам интеграции.

1.2.5. Принципы Web-интеграции.

1.3. Методы анализа данных, применяемые в ИАС.

1.3.1. Постановка задачи распознавания образов.

1.3.2. Выбор методов распознавания образов для использования в ИАС.

1.3.3. Методы обучения ЭВМ распознаванию образов.

1.3.4. Способы повышения достоверности прогнозов.

1.4. Выбор программной платформы для^ разработки ИАС.

Краткие выводы.

ГЛАВА 2. РАЗРАБОТКА ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ СИСТЕМНОГО ПОДХОДА.

2.1. Предпосылки создания ИАС.

2.2. Компонентный состав ИАС.

2.3. Поддержка принятия решений при прогнозировании параметров химических соединений.

2.3.1. Основные принципы системного анализа.:.:.

2.3 .2. Описание процедуры прогнозирования с помощью методов. структурного системного анализа

2.3.3. Концептуальная модель данных.:.!.

2.4. Этапы процедуры прогнозирования.

Краткие выводы;.

ГЛАВА 3. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ИНТЕГРИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ

СИСТЕМЫ5.'.'.:.:. ш

3.1. Разработка базы данных «Фазы».

З Л Л . Разработка структуры БД

3 :1.2. Система удаленного доступак;БД!«Фазы».

3.1.3. Административная часть БД «Фазы.

3.1.4. Интеграция БД;«Фазы» с другими'БД.

3.2. База данных по свойствам химических элементов «Элементы».

3.2.1. Разработка структуры БД.

I 3.212! Разработкаадминистративной'системы.

3 .2.3 . Система удаленного, доступа к БД «Элементы» v.

3.3. Подсистема визуализации данных.102"

I' 3:3.1. Предпосылки созданиям под системы. 102;'

3.3.2. Визуализация данных.

3.3.3. Визуализация многомерных данных. • , ' '

3.4. Интеграция программ анализа данных.

I 3.4.1. Взаимодействие с программами анализа данных.

3 .4.2. Справочная база для-интеграции.

I 3.4.3 . Механизм интеграции.

I 3.5. Механизм обучении и распознавании.

I 3.5Л. Подготовка данных для анализа.

3.5.2. Заполнение пропусков в выборках для обучения и прогнозирования

3.5.3. Повышение достоверности прогнозов за счет использования коллектива f признаковых описаний;.;.„.Л.

3.5:4. Обучение системы.:.

3.5:5. Проведение прогнозирования.

I 3.5.6. Пользовательский уровень работы с ИАС.

I Краткие выводы.

1 ' ■ I

ГЛАВА 4. ПРИМЕНЕНИЕ ИНТЕГРИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ДЛЯ ПРОГНОЗИРОВАНИЯ НОВЫХ НЕОРГАНИЧЕСКИХ СОЕДИНЕНИЙ.

4.1. Компьютерное конструирование новых неорганических соединений состава АВХ2 (X = S, Se, Те).

4.1.1. Прогноз возможности образования соединений состава АВХ2 при нормальных условиях.

4.1.2. Прогноз типа кристаллической структуры соединений состава АВХ при нормальных условиях.

4.1.4. Прогноз температуры плавления соединений состава ABD2 при атмосферном давлении.

4.2. Прогноз возможности образования и типа кристаллической структуры соединений состава ABF5.

4.3. Предложения по дальнейшему развитию ИАС.

Краткие выводы.

Введение диссертации (часть автореферата) на тему «Интегрированная информационно-аналитическая система для прогнозирования свойств неорганических соединений»

Появление многочисленных баз данных в различных предметных областях поставило перед специалистами вопрос их рационального использования не только для информационного обслуживания, но и для анализа хранящихся в них данных с целью выявления зависимостей и прогнозирования неизвестных значений. Одно из наиболее перспективных и актуальных направлений связано с разработкой информационно-аналитических систем (ИАС), объединяющих базы данных с программами анализа данных. С помощью таких систем, в частности, удается найти взаимосвязи между различными объектами и выявить закономерности, присущие предметной области информационно-аналитической системы. ИАС автоматизирует хранение и изменение информации, подготовку данных для анализа, проведение прогнозирования, визуализацию и отображение результатов. Для повышения достоверности прогнозов целесообразно использовать в ИАС набор программ анализа данных, включающих алгоритмы с различными принципами работы. В связи с этим перспективной задачей является интеграция множества программ анализа данных. Перспективным является проведение интеллектуального анализа данных с применением программных решений не только в локальной среде, но и в сети Интернет.

Поиск новых неорганических материалов с заданными свойствами - одна из важнейших проблем химии. Эта многоуровневая (в системном смысле) проблема включает в себя множество частных вопросов: научных, технологических, технико-экономических и т.д. На уровне химии и химической технологии можно выделить следующие взаимосвязанные задачи: поиск составов, оценка свойств, выбор технологии получения материалов и поиск оптимальных технологических режимов синтеза и обработки материалов. Актуальность создания ИАС в области неорганического материаловедения вызвана стремлением облегчить и ускорить поиск новых неорганических веществ, перспективных для практических применений. Использование ИАС дает возможность найти взаимосвязи между фундаментальными свойствами неорганических соединений и фундаментальными свойствами химических элементов. Применение найденных взаимосвязей позволяет проводить прогнозирование образования неорганических соединений и оценивать их различные свойства без реального синтеза этих соединений, то есть решает первую из трех задач по поиску новых материалов. Цель работы

Целью исследования была разработка интегрированной информационно-аналитической системы для поддержки принятия решений при прогнозировании свойств неорганических соединений на основе разнородных информационных источников и различных методов, алгоритмов и программ анализа данных. Применение информационно-аналитической системы сокращает время и затраты на поиск новых неорганических соединений и прогноз их свойств.без реального синтеза.

Для достижения цели работы были решены следующие задачи:

• рассмотрены принципы построения современных ИАС;

• на основе системного подхода разработана архитектура ИАС и приведеt ны детализированные диаграммы этапов ее работы при прогнозировании параметров неорганических соединений;

• разработана концептуальная модель данных для прогнозирования параметров неорганических соединений;

• проведен обзор методов распознавания образов, применяемых в ИАС, и способов повышения достоверности прогнозов;

• проанализированы и систематизированы современные подходы к интеграции программ;

• осуществлен выбор программной платформы для построения информационно-аналитической системы;

• предложена и применена методика интеграции разнородных программ анализа данных в ИАС;

• разработана ИАС в виде программного комплекса и осуществлена ее апробация на реальных данных.

Научная новизна работы состоит в следующем:

• выполнен системный анализ информационных процессов в области прогнозирования свойств неорганических соединений и разработана архитектура информационно-аналитической системы;

• для повышения качества прогнозирования обосновано принятие коллективного решения по различным сочетаниям алгоритмов и признаковых наборов;

• предложен и реализован подход к обработке пропусков в выборках для обучения и прогноза с учетом специфики предметной области;

• предложены методика и технологии включения в ИАС программ анализа данных с различными принципами работы;

• впервые в данной предметной области проведена интеграция в единую систему разнородных информационных компонентов - системы, баз данных и программ анализа данных, учитывающую априорно назначаемые и возникающие и фиксируемые в виртуальном эксперименте новые связи и обеспечивающую аналитическую и информационно-технологическую гибкость, вычислительную эффективность.

Практическая ценность

Теоретические исследования завершены созданием на их основе алгоритмического и программного обеспечения ИАС. Практическая ценность подтверждена в ходе использования результатов работы специалистами Института металлургии и материаловедения им. А.А. Байкова Российской Академии наук (ИМЕТ РАН).

На разработанную информационно-аналитическую систему было получено свидетельство об отраслевой регистрации! разработки в Общероссийском Фонде Алгоритмов и Программ (ОФАП) [31].

Результаты работы, имеющие практическую ценность:

• разработанные методы и алгоритмы применены при создании информационно-аналитической системы для компьютерного конструирования неорганических соединений, перспективных для практических применений;

• разработано программное обеспечение баз данных «Фазы» и «Элементы» и проведена их интеграция с другими базами данных, разработанными в ИМЕТ РАН;

• разработанная в диссертации информационно-аналитическая система внедрена в практику работы ИМЕТ РАН;

• применение ИАС позволяет сократить время и затраты на поиск новых неорганических соединений;

• полученные в диссертации результаты могут быть использованы для создания информационно-аналитических систем и в других предметных областях.

Методы исследования

Структуризация и формализация предметной области и разработка архитектуры ИАС выполнены на основе методов системного анализа. При разработке интегрированной. ИАС использованы теория построения БД, принципы «сервисно-ориентированного подхода» и Web-технологии. Для анализа данных использованы программы и алгоритмы распознавания образов. Структура диссертации

Диссертация состоит из введения, 4 глав и заключения.1 В первой главе рассматриваются принципы построения современных ИАС, исследования по созданию ИАС в области неорганического материаловедения, современные технологии интеграции программ, основные методы распознавания образов, применяемые в ИАС, и программные платформы для построения интегрированной ИАС. Во второй главе на основе системного подхода разработана архитектура ИАС и проведена детализация структурных диаграмм, описывающих отдельные этапы процедуры прогнозирования свойств неорганических соединений. В третьей главе предложена методика интеграции в ИАС программ анализа данных, описана реализация интегрированной ИАС в виде программного комплекса, включая разработанные информационные системы и вспомогательные подсистемы, вошедшие в состав ИАС. Также с учетом специфики предметной области предложен и реализован подход к обработке

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Столяренко, Андрей Владиславович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В диссертационной работе получены следующие результаты: на основе исследования принципов построения современных ИАС и системного подхода разработана архитектура ИАС и детализированные диаграммы этапов работы ИАС при прогнозировании параметров неорганических соединений; разработана, реализована и внедрена в ИМЕТ РАН информационно-аналитическая система, включающая интегрированные программы анализа данных и предназначенная для прогнозирования параметров неорганических соединений; разработана концептуальная модель данных для прогнозирования параметров неорганических соединений; проанализированы основные методы распознавания образов, используемые в ИАС, отмечены особенности работы этих методов и способы повышения достоверности результатов прогнозирования; разработана технология хранения и дальнейшего использования полученных экспертом в ходе работы с ИАС закономерностей; для повышения качества прогнозирования обосновано принятие коллективных решений по различным алгоритмам и признаковым наборам; за счет этого достоверность осуществляемого прогноза увеличилась в среднем на 10%; с учетом специфики предметной области предложен и реализован подход к обработке пропусков в выборках для обучения и прогноза; разработана архитектура системы, которая позволяет пользователям инициировать длительное по времени выполнение ресурсоемких операций, контролировать степень их выполнения в асинхронном режиме; применение асинхронных процессов повышает скорость и эргономическую адекватность ИАС при решении целевой задачи прогнозирования параметров неорганических соединений; разработаны методика интеграции программ анализа данных в ИАС и требования к адаптерам для включаемых в нее программна базе Web-интерфейса разработана подсистема визуализации результатов анализа данных^ повышающая функциональность интерфейса аналитика-эксперта;проведены эксперименты по применению ИАС для прогнозирования свойств неорганических веществ.

На основе анализа полученных результатов сделаны следующие выводы: Эффективность процедуры: поддержки принятия прогностических решений требует учета специфики процесса синтеза, соединений, его условий и ограничений;, специфики анализиру емых химических данных .(неполнота, некорректность и т.п.).

Достоверность результатов прогнозирования- существенно зависит от представительности обучающей выборки, • удачного: сочетания^ методов анализа данных и их настройки, выбранных признаков для формирования описаний объектов^

На основе анализа; полученных результатов сделан вывод о перспективности;: использования созданной ИАС и разработанных информационных технологий принятия прогностических решений;

Концепция построения ИАС, включающей в себя разнородные источники данных и средства анализа информации, и методика интеграции этих программных и информационных компонентов могут быть применены в других предметных областях, например, в области медицины и здравоохранения;

Список литературы диссертационного исследования кандидат технических наук Столяренко, Андрей Владиславович, 2008 год

1. Айвазян, С А. Прикладная статистика и основы эконометрики: Учеб. для вузов / С.А.Айвазян, В.С.Мхитарян. -М.: ЮНИТИб, 1998. - 1022 с.

2. Андерсон Т. Статистический анализ временных рядов / Т.Андерсон. М.: Мир, 1976.-760 с.

3. Асинхронный доступ к веб-службам XML в управляемом коде / Microsoft Доступно на: http://msdn.microsoft.com.

4. Вавилов, К. Web-интеграция корпоративных систем / К.Вавилов, С.Щербин. Доступно на: http://www.profi-club.kiev.ua

5. Валиков, А. Технология XSLT / А.Валиков. СПб.: БХВ-Петербург, 2002. -544 с.

6. Вапник, В.Н. Теория распознавания образов. / В.Н.Вапник, А.Я.Червоненкис. -М.: Наука, 1974.-415 с.

7. Ветров, Д.П. Алгоритмы выбора моделей и построения коллективных решений в задачах классификации, основанные на принципе устойчивости / Д.П.Ветров, Д.А.Кропотов. М.: КомКнига, 2006. - 112 с.

8. Ветров, Д.П. О синтезе корректных алгоритмов распознавания с минимальной величиной неустойчивости / Д.П.Ветров // ЖВМ и МФ, 2003. Том 43, №11.-С. 1754-1760.

9. Гайдышев, И. Анализ и Обработка Данных: специальный справочник / ИГайдышев. СПб: Питер, 2001. - 752 с.

10. Гладун, В.П. Партнерство с компьютером / В.П.Гладун. Киев: Port-Royal, 2000.-119 с.

11. Гладун, В.П. Процессы формирования новых знаний / В.П.Гладун. София: СД «Педагог 6», 1995.- 192 с.

12. Гладун, В.П. Растущие пирамидальные сети / В.П.Гладун // Новости искусственного интеллекта. 2004. - №1.

13. Горский, Д.П. Обобщение и познание / Д.П.Горский. М.: Мысль, 1985. -208 с.

14. Гэйн, К., Сарсон Т. Структурный системный анализ средства и методы. В 2-х частях / К.Гэйн, Т.Сарсон; пер. с англ. под ред. А.В.Козлинского. М.: Эй-текс, 1993.-310 с.

15. Джуре, П. Распознавание образов в химии / П.Джурс, Т.Айзенауэр. — М.: Мир, 1977.-230 с.

16. Дубров, A.M. Обработка статистических данных методом главных компонент / A.M.Дубров. М.: Статистика, 1978. - 135 с.

17. Дуда, Р. Распознавание образов и анализ сцен / Р.Дуда, П.Харт — М.: Мир, 1976.-511 с.

18. Дударев, В.А. Интегрированная система баз данных по свойствам материалов для электроники / В.А.Дударев, Н.Н.Киселева, В.С.Земсков. //, Перспективные материалы. 2006. - №5. - С. 20-25.

19. Журавлев, Ю.И. Алгоритмы распознавания, основанные на вычислении оценок / Ю.И.Журавлев, В.В.Никифоров // Кибернетика. 1971. - №3. - С. 1-11.

20. Журавлев, Ю.И. «Распознавание». Математические методы. Программная система. Практические применения / Ю.И.Журавлев, В.В.Рязанов, О.В.Сенько. -М.: Фазис, 2006. 176 с.

21. Журавлёв, Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации / Ю.И.Журавлёв // Проблемы кибернетики. 1979. -Т. 33.-С. 5-68.

22. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н.Г.Загоруйко. Новосибирск: изд-во Ин-та математики, 1999. - 269 с.

23. Ивахненко, А.Г. Моделирование сложных систем по экспериментальным данным / А.Г.Ивахненко, Ю.П.Юрачковский. М.: Радио и связь, 1987.

24. Искусственный интеллект: применение в химии / Под ред. Т.Пирса и Б.Хони. М.: Мир, 1988. - 428 с.

25. Калянов, Г.Н. CASE. Структурный системный анализ (автоматизация и применение) / Г.Н.Калянов. М.: ЛОРИ, 1996. - 242 с.

26. Кафаров, В.В. Системный анализ процессов химической технологии / В.В.Кафаров, И.Н.Дорохов. М., Наука, 1976. - 500 с.

27. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О.Ким, Ч.У.Мьюллер, У.Р.Клекка, М.С.Олдендерфер, Р.К.Блэшфилд. М.: Финансы и статистика, 1989. - 215 с.

28. Киселева, Н.Н. База данных по свойствам тройных неорганических соединений «Фазы» в сети Интернет / Н.Н.Киселева, А.В.Столяренко., Д.П.Мурат, В.А.Дударев, В.В.Подбельский, В.С.Земсков. Информационные ресурсы Россиию. - 2006. - N.4. - С. 21-23.

29. Киселева Н.Н., Столяренко А.В. Информационно-аналитическая система для компьютерного конструирования неорганических соединений. М.: ВНТИЦ, 2008. - №50200800200.

30. Киселева, Н.Н. Компьютерное конструирование неорганических соединений: использование баз данных и методов искусственного интеллекта / Н.Н.Киселева. М.: Наука, 2005. - 289 с.

31. Клир Дж. Системология. Автоматизация решения системных задач: Пер. С англ. М.: Радио и связь, 1990. - 544 с.

32. Корнеев, В.В. Базы данных. Интеллектуальная обработка информации / В.В.Корнеев, А.Ф.Гареев, С.В.Васютин, В.В.Райх. — М.: Издатель Молгачева• С.В., 2001.- 495 с.

33. Лазарев, В.Б. Сложные халькогениды в: системахaibiiicvi 7 в б лазарев5

34. Киш, Е.Ю.Переш, Е.Е.Семрад. М.: Металлургия, 1993.-240 с.

35. Ларичев, О.И. Качественные: методы принятия решений / О.И.Ларичев, Е.М.Мошкович. —М.: Наука. Физматлит, 1996. 208 с.

36. Литтл, Р.Дж.А. Статистический анализ данных с пропусками:'пер; с англ. / Р.Дя<.А.Литтл, Д.Б:Рубин. -М.: Финансы и статистика, 1990. 336 с.

37. Липаев, В;В. Технико-экономическое обоснование проектов; сложных программных средств / В.В.Липаев. М.: Синтег, 2004. - 284 с.

38. Мазуров, В.Д. Комитеты; системы неравенств и задача распознавания / В.Д.Мазуров // Кибернетика. 1971. - № 3. ^

39. Марка, Д.А. Методология структурного анализа и проектирования / Д.А.Марка, К.МакГоуэн; пер. с англ. -М.: МетаТехнология, 1993. 240 с:

40. Ньюкомер, Э. Всб-сервисы: XML, WSDL, SOAP и UDDI / Э.Ныокомер. -Изд.: Питер, 2003. 256 с.

41. Обзор OLAP-продуктов для Web; Доступно на: http://wwwxitforum.ru.

42. Осуга, С. Приобретение знаний / С.Осуга, Ю.Саэки. М.: Мир, 1990. - 304 с.

43. Поспелов, Г.С. Искусственный интеллект основа новой информационной ' технологии / Г.С.Поспелов. - М.: Наука, 1988. - 279 с.

44. Пржиялковский, В.В. Абстракции в проектировании баз данных /

45. B.В.Пржиялковский // Системы управления базами данны. 1998. - №1-2.1. C. 90-97.

46. Растригин, JI. Коллективные правила распознавания / Л.Растригин, Р.Эренштейн. М.: Энергия, 1981. - С. 244.

47. Растригин, Л.А. Принятие решений коллективом решающих правил в задачах распознавания образов / Л.А.Растригин, Р.Х.Эренштейн // АиТ. 1975. -№9.-С. 133-144.

48. Рез, И.С. Диэлектрики. Основные свойства и применения в электронике / И.С.Рез, Ю.М.Поплавко. -М.: Радио и связь, 1989.-288 с.

49. Рязанов, В.В. Оптимальные коллективные решения в задачах распознавания и классификации: дисс. д.ф-м.н. / В.В.Рязанов. М., 1994.

50. Савицкий, Е.М. Прогнозирование в материаловедении с применением ЭВМ / Е.М.Савицкий, В.Б.Грибуля, Н.Н.Киселева и др. М.: Наука, 1990. - 86 с.

51. Смит, Дж. Принципы концептуального проектирования баз данных. / Дж.Смит, Д.Смит; в сб.: Требования и спецификации в разработке программ; пер. с англ. под ред. В.Н. Агафонова. М.: Мир, 1984. - С. 165-198.

52. Трахтенгерц, Э.А. Компьютерная поддержка принятия решения / Э.А.Трахтенгерц М.: Изд-во «Синтег», 1998. - 376 с.

53. Тюхтин, B.C. Теория автоматического опознавания и гносеология. / В.С.Тюхтин. -М.: Наука, 1976. 190 с.

54. Христофоров, Ю.И. База данных по фазовым диаграммам полупроводниковых систем с доступом из Интернет / Ю.И.Христофоров, В.В.Хорбенко,

55. Эляшберг, М.Е. Экспертные системы для установления структуры органических молекул спектральными методами / М.Е.Эляшберг // Успехи химии. -1999. Т.68. №7: - С. 579-6031 :

56. Barker, R. CASE Method. Entity-Relationship Modeling / R. Barker. Copyright Oracle Corporation UK Limited, Addison-Wesley Publishing Co, 1990; • :' . .

57. Breiman, L\ Bagging predictors / L.Breiman // Machine Learning. , 1996. -Vol.24,no. 2.-P. 123-140.

58. Breiman, L. Bias, variance, and arcing classifiers / L.Breiman. Tech. Rep. 460: Statistics Department; University of California, 1996.

59. Chen, P. The Entity-Relationship Model Toward a Unified' View of Data / P.Chen. - ACM Transactions on database Systems. - 1976. - v.l, № 1.

60. Corey, E.J: Computer assisted design of complex organic synthesis / E.J.Corey, W.T.Wipke // Science. 1969. - V.l66. №10 Oct. - P. 178-192.

61. EICTA Interoperability White- Paper June 21, 2004. Available at http://www.eicta.org.

62. Eom, S.B. The decision support systems research: reference disciplines and a cumulative tradition / S.B.Eom // The International'Journal ofManagement Science. -1995.-№23.-P. 511-523.

63. Fisher, R.A. The use of multiple measurements in taxonomic problems / R.A.Fisher // Ann. Eugenics. 1936. - 7, Part II. - P. 179-188.

64. Frawley, W.J. Knowledge Discovery In Databases: An Overview. Knowledge Discovery In Databases, eds. / W.J.Frawley, G.Piatetsky-Shapiro, C.Matheus. -AAAI Press/MIT Press, Cambridge, MA., 1991. P. 1-30.

65. Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y.Freund, R.E.Schapire // European Conference on Computational Learning Theory. 1995. P. 23-37.

66. Freund, Y. Boosting a weak learning algorithm by majority / Y.Freund // COLT: Proceedings of the Workshop on Computational Learning Theory. Morgan Kaufmann Publishers, 1990.

67. Igelnik, B. The ensemble approach to neural-network learning and generalization /

68. B.Igelnik, U.-H.Pao, S.R.LeClair, C.Y.Shen // IEEE Trans. Neural Networks. -1999. V.10. №1. -P. 19-30.

69. Imhoff, C. Understanding the Three E's of Integration EAI, EII and ETL /

70. C.Imhoff. Intelligent Solutions, Inc. April 2005. Available at http://www.intelsols.com.

71. Inmon, W.H. Building the Data Warehouse / W.H.Inmon. New-York: John Wiley, 1992.

72. Jardine, N. Mathematical Taxonomy / N.Jardine, R.Sibson. London: John Wiley and Sons, 1971.-286 p.

73. Kimball, R. The Data Warehouse Toolkit. Practical Techniques for Building Di-mansional Data Warehouses / R. Kimball. John Wiley & Sons, 1996. - 374 p.

74. Koetzle, L. Is Linux more secure than Windows? / L.Koetzle, Ch.Rutstein, N.Lambert, S.Wenninger. Forrester Research Inc. March 19, 2004. Available at http://www.forrester.com.

75. Konovalov, I. Material requirements for CIS solar cells / I.Konovalov // The solid films. 2004. - V.451-452. - P. 413-419.

76. Kuncheva, L.I. Combining Pattern Classifiers: Methods and Algorithms / L.I. Kuncheva. Wiley, 2004. - 350 p.

77. Larin, S.B. The Search of Precedent-Based Logical Regularities for Recognition and Data Analysis Problems / S.B.Larin, V.V.Ryazanov // Pattern Recognition and Image Analysis. 1997. - Vol.7, no.3. - P. 322-333.

78. Microsoft Windows Server 2003 vs. Red Hat Enterprise Linux AS 3.0: IT Professionals Running a Production Environment Veritest report. April, 2005. Available at http://www.veritest.com.

79. Microsoft Windows Server 2003 with Internet Information Services (IIS) 6.0 vs. Linux Competitive Web Server Performance Comparison Veritest report. April, 2003. Available at http://www.veritest.com.

80. Ryazanov, V.V. Recognition Algorithms Based on Local Optimality Criteria / V.V.Ryazanov // Pattern Recognition and Image Analysis. 1994. - Vol.4, no.2. -P. 98-109.

81. Rymer, J. The Total Economic Impact of Developing and Deploying Applications on Microsoft and J2EE/Linux Platforms / J.Rymer, B.Cormier. Forrester Research, Inc., September 4, 2003. Available at http://www.forrester.com.

82. Sammon, J.W. A nonlinear mapping for data structure analysis / J.W. Sammon // IEEE Trans. Сотр. 1969. - C-18,401-409.

83. Sessions, R. Interoperability Through Service-Oriented Architectures (SOAs) / R.Sessions. ObjectWatch. Available at http://www.objectwatch.com.

84. Siebentritt, S. Wide gap chalcopyrites: material properties and solar cells / S.Siebentritt // The solid films. 2002. - V.403-404. - P. 1-8.

85. Skurichina, M. Bagging and boosting for the nearest mean classifier: Effects of sample size on diversity and accuracy / M.Skurichina, L.Kuncheva, R.Duin //

86. Multiple Classifier Systems (Proc. Third International Workshop MCS, Cagliari, Italy) : Ed. by J.K.F.Roli. Berlin: Springer. 2002. - Vol.2364. - P. 62-71.

87. Villars, P. Interplay of large materials databases, semi-empirical methods, neuro-computing and first principle calculations for ternary compound former/nonformer prediction / P. Villars, K.Brandenburg, M.Berndt, S.LeClair, A Jackson, Y.-H.Pao,

88. B.Igelnik, M.Oxley, B.Bakshi, P.Chen, S.Iwata // Engineering Applications of Artificial Intelligence. 2000. - №13. - P. 497-505.

89. Wilcox, J. Interoperability: How Technology Managers Rate Microsoft and Its Technologies for Development / J.Wilcox, P.Sargent, Z.Bayriamova,

90. C.Matiesanu. Jupiter Research (MIC04-C02). April 7, 2004. Available at http://www.jupiterresearch.com.

91. Yao Lixiu. TICP -An Expert System Applied to Predict the Formation of Ternary Intermetallic Compounds / Yao Lixiu, Qin Pei, Chen Nianyi, P. Villars // Calphad. 2001. - Vol. 25, No. 1. - P. 27-30.

92. Zloba, E. Statistical methods of reproducing of missed data / E.Zloba, I.Yatskiv // Computer Modelling & New Technologies. 2002. - Vol.6, No. 1. - P. 51-61.