Математическое и программное обеспечение системы оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Вахитов, Александр Робертович

• Вахитов, Александр Робертович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Вахитов, Александр Робертович

Введение.

Глава 1. Способы обработки знаний и данных.

1.1. Модели представления знаний.

1.1.1.-Использование метода Саати для выбора класса математической модели

1.1.2. Использование интегральных критериев для выбора класса математической модели.

1.2. Модели обработки данных.

1.2.1. Использование метода Саати для выбора класса модели обработки данных.

1.2.2. Использование интегральных критериев для выбора класса модели обработки данных.

1.3. Выводы.

Глава 2. Разработка моделей и алгоритмов системы оперативной обработки и интеллектуального анализа данных.

2.1. Общее описание предметной области.

2.2. Проектирование модели представления знаний.

2.3. Проектирование КИМ ПО.

2.4. Создание ОЬАР-модели.

2.5. Использование интеллектуального анализа данных.

2.6. Выводы.

Глава 3. Реализация системы оперативной обработки и интеллектуального анализа данных.

3.1. Выбор инструментов для реализации системы.

3.2. Программная реализация системы.

3.3. Визуализация данных.

3.4. Внедрение в ФГУП «Томский электротехнический завод».

3.5. Внедрение в Учебном центре ТПУ & SoftLine Academy.

3.5. Выводы.

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение системы оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику»

Совершенствование информационных систем (ИС), информационно-поисковых систем, диалоговых систем, базирующихся на естественных языках, интерактивных человеко-машинных систем, используемых в различных областях (управлении процессами и производствами, проектировании, научных исследованиях) во многом определяется тем, насколько успешно будут решаться проблемы представления и обработки знаний.

Успехи в области создания интеллектуальных информационных систем (ИИС) [1, 6, 15, 28, 29, 30, 47, 49, 50, 103] стимулировали применение технологий и методов искусственного интеллекта для решения двух основных задач: повышения скорости обработки данных и расширения функций системы.

Одним из основоположников классического подхода к обработке баз данных (БД) был Э. Кодд [97-101]. Такие БД называются операционными или транзакционными, поскольку они характеризуются огромным количеством транзакций (операций записи-чтения). Компьютерные системы, осуществляющие учет операций и, собственно, доступ к транзакционным базам, принято называть системами оперативной обработки транзакций Online Transactional Processing (OLTP) или учетными системами [18]. Показателем эффективности таких систем является количество транзакций, выполняемых за секунду. Обычно операции над отдельными* записями очень малы и не связаны друг с другом. Набор аналитических функций в учетных системах обычно весьма ограничен. Схемы, используемые в OLTP-приложениях, осложняют создание даже простых отчетов, так как данные чаще всего распределены по множеству таблиц, и для их агрегирования необходимо выполнять сложные операции объединения. Кроме того, что в учетных системах хранятся постоянно изменяющиеся данные. По мере осуществления операций записи-чтения суммарные значения меняются очень быстро, и два комплексных анализа, проведенных с интервалом в несколько минут, могут дать разные результаты, поэтому, чаще всего, анализ выполнятся по окончании отчетного периода, иначе картина может оказаться искаженной. Недостатком классического подхода к обработке реляционных данных является также отсутствие интеллектуального анализа, который позволил бы автоматически обработать большой объем информации и представить пользователю данные в виде сгенерированных системой решений, комплексных отчетов и т. д. Кроме того, классический подход к обработке данных не содержит эффективных методов поиска закономерностей в больших объемах данных с целью извлечения отсутствующей информации.

В значительной степени проблемы обработки данных на основе классического подхода решает переход к объединению и анализу данных учетной системы с помощью технологии Online Analytical Processing (OLAP)

20, 22, 80,- 81]. Технология OLAP позволяет вести аналитическую обработку в реальном времени, включающую составление и динамическую публикацию отчётов и документов и предназначенную для быстрой обработки сложных многотабличных запросов к БД. OLAP-моделью в работе называется логическая модель данных, лежащая в основе OLAP-технологии.

Использование технологии OLAP для обработки запросов позволяет повысить скорость и удобство обработки данных. Реляционные БД хранят сущности в отдельных таблицах, нормализованных по третьей нормальной форме. Эта структура удобна для операционных БД (систем OLTP), но сложные многотабличные запросы, обрабатывающие множество строк, в ней выполняются относительно медленно. OLAP-технология значительно упрощает и ускоряет этот анализ за счет использования многомерных кубов* представления данных. Просматривая сводные таблицы, пользователь видит сначала итоговые значения показателей, и в случае необходимости может их 5 легко детализировать. Клиент-серверная архитектура OLAP-продуктов обеспечивает одновременный доступ большого числа пользователей. При этом анализ проводится одинаково быстро по всем аспектам информации независимо от размера и сложности структуры БД. Однако зачастую преобразование реляционной модели обработки данных в OLAP-модель не решает проблем скорости обработки данных и их интеллектуального анализа.

Технология data mining [43, 45, 108], представляющая собой выявление скрытых закономерностей или взаимосвязей между переменными в больших массивах необработанных данных, является расширением OLAP-технологии. Data mining включает методы и модели статистического анализа и машинного обучения, целью которых является автоматическая обработка данных. Инструменты data mining позволяют проводить анализ данных предметными специалистами (аналитиками), не владеющими соответствующими математическими знаниями. Однако на практике часто возникают задачи, для которых использование таких средств data mining как классификация, кластеризация, сокращение описания, ассоциация, прогнозирование, анализ отклонений и визуализация является недостаточным в связи с тем, что постоянно увеличивается объем обрабатываемых данных, а также спектр требуемых функций системы по интеллектуальному анализу данных. Поэтому существует необходимость в создании эффективных алгоритмов по обработке и анализу данных в ИИС.

Другой проблемой ИИС систем является то, что они строятся как самостоятельные программы, имея собственную организацию хранения данных и знаний [66, 87, 109, 111]. Поэтому их применение для решения сложных задач в промышленных масштабах становится проблематичным. Разработка и внедрение ИИС требует не только значительно больших объемов информации, но и значительно более сложных вычислений, учета слабо формализуемых факторов, высокого уровня интерфейса, связи с уже существующими БД.

Таким образом, несмотря на имеющиеся достижения в области создания ИИС и на наличие целого ряда методов и программных средств обработки данных, задача создания информационной системы, обеспечивающей оперативную обработку информацию, обладающую возможностями интеллектуального анализа данных и имеющую интерфейс с активно использующимися СУБД, является актуальной и представляет интерес в научном и практическом плане, что определяет актуальность темы диссертационной работы.

Целью диссертационной работы является создание математического и программного обеспечения системы оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику и обеспечивающей повышение эффективности процесса обработки данных.

Для достижения поставленной в диссертационной работе цели были поставлены и решены следующие задачи:

• формирование требований к системе оперативной обработки и интеллектуального анализа данных;

• анализ подходов к построению математических моделей и обоснование выбора класса математической модели для разрабатываемой системы, реализующей функции логического вывода в условиях неопределенности и неполноты знаний исследуемой предметной области;

• анализ подходов к построению программного обеспечения и обоснование выбора программного обеспечения для реализации разрабатываемой системы, включающей функции OLAP, data mining, ключевых индикаторов производительности, деревьев решений и трендов;

• создание БД и базы знаний для обработки информации о НИРС в вузе;

• разработка математической модели системы с использованием аппарата нечеткой логики, в том числе описание исследуемой предметной области в терминах нечеткой логики и проектирование правил нечеткого логического вывода;

• разработка OLAP-модели данных на основе математической модели, КИМПО, реляционной схемы данных;

• расширение состава функций OLAP-модели путем разработки таких средств интеллектуального анализа данных, как data mining, трендов, ключевых индикаторов производительности и деревьев решений;

• программная реализация системы оперативной обработки и интеллектуального анализа данных на основе разработанных моделей и алгоритмов для обработки информации о НИРС в вузе;

• визуализация данных, применение алгоритмов кластеризации для интеллектуальной обработки данных;

• использование моделей, алгоритмов и программ для организации обработки данных в Учебном центре ТПУ & SoftLine Academy;

• использование моделей, алгоритмов и программ для организации обработки данных в ФГУП «Томской электротехнический завод».

Методы исследования. В процессе исследования использовались следующие теории и методы: теория реляционной модели данных, теория математической логики, аппарат нечеткой логики, теории принятия решений, методы объектно-ориентированного программирования, методы аналитической обработки информации, методы извлечения данных.

Научная новизна. Получены следующие основные результаты, обладающие научной новизной:

1. Предложена математическая модель интеллектуальной обработки данных, основанная на аппарате нечеткой логики и позволяющая повысить эффективность обработки данных и знаний при решении широкого круга задач.

2. Разработан оригинальный алгоритм обработки данных, использующий нечеткую логику, аналитическую, обработку данных в реальном времени и механизм извлечения данных.

3. Разработан новый алгоритм совместного использования процедур нечеткого логического вывода и процедур обработки данных (data mining, деревья решений, тренды и т.д.).

4. Впервые предложен алгоритм динамического изменения структуры данных на этапе работы пользователя с программной системой, позволяющий повысить эффективность его работы.

5. Создана и исследована программная система оперативной обработки и интеллектуального анализа данных на основе разработанных моделей и алгоритмов.

Практическая значимость. Практическая значимость исследования заключается в разработке системы оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику, которая предназначается для решения широкого круга задач по обработке и анализу данных. Использование системы позволяет автоматизировать процесс обработки данных, осуществлять интеллектуальный анализ данных, извлекать отсутствующие данных, увеличить скорость обработки данных и удобство представления данных конечному пользователю по сравнению с классическими методами.

Результаты диссертационной работы внедрены в Учебном Центре ТПУ & SoftLine Academy и в ФГУП «Томский электротехнический завод», что подтверждено соответствующими актами, приведенными в Приложении 5.

Основные положения, выносимые на защиту:

1. разработанная математическая модель интеллектуальной обработки данных, основанная на аппарате нечеткой логики, позволяющая повысить скорость и эффективность обработки данных применительно к существующим задачам;

2. разработанная OLAP-модель данных, а также средства интеллектуального анализа данных, в том числе правила data mining, тренды, ключевые индикаторы производительности, которые наделяют систему возможностями оперативной аналитической обработки информации;

3. разработанный алгоритм обработки данных, использующий нечеткую логику, аналитическую обработку данных в реальном времени и механизм извлечения данных;

4. модель, включающая процедуры нечеткого логического вывода и процедуры обработки данных в рамках одной программной системы;

5. созданная система оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику, которая позволяет повысить эффективность процесса работы с данными.

Основные результаты работы докладывались и обсуждались на следующих конференциях:

• Молодежь и современные информационные технологии: IV Всероссийская научно-практическая конференции студентов, аспирантов и молодых ученых: Томск, 2006.

• Энергия молодых - экономике России: VII Международная научно-практическая конференция студентов и молодых ученых: Томск, 2006.

• Математическое моделирование и информационные технологии: VIII Школа-семинар молодых ученых: Улан-Удэ, 2006.

• Молодежь и современные информационные технологии: IV Всероссийская научно-практическая конференция студентов, аспирантов и молодых ученых: Томск, 2007.

• Современные техника и технологии СТТ 2007: XIII Международная научно-практическая конференция студентов и молодых ученых: Томск, 2007.

• Информационные системы и модели в научных исследованиях, промышленности и экологии: Всероссийская научно-техническая конференция: Тула, 2007

• Молодежь и современные информационные технологии: IV Всероссийской научно-практическая конференция студентов, аспирантов и молодых ученых: Томск, 2008.

• Технологии Microsoft в теории и практики программирования: VI Всероссийская научно-практическая конференции: Томск, 2009.

• Технологии Microsoft в теории и практики программирования: VI Всероссийская научно-практическая конференция: Томск, 2010.

По теме диссертации опубликовано 13 работ: 2 - в рецензируемых отечественных изданиях, рекомендованных ВАК, 10 - в материалах российских и международных конференций, 1 - свидетельство о регистрации электронного ресурса.

Основные результаты диссертационной работы получены автором лично. Программная система WinDIFOT для оперативной обработки и интеллектуального анализа данных разработана и реализована автором лично. технические детали работы. Общий объем работы составляет 152 страницы, включая 46 рисунков и 12 таблиц.

В первой главе проводится анализ подходов к построению математических моделей и обосновывается выбор класса математической модели для разрабатываемой системы, реализующей функции логического вывода в условиях неопределенности и неполноты знаний. Также в этой главе обосновывается выбор модели обработки данных, включающей функции OLAP, data mining, ключевых индикаторов производительности, деревьев решений и трендов. Кроме того, в первой главе выявляются требования к системе оперативной обработки и интеллектуального анализа данных.

Во второй главе формируются КИМПО, реляционная модель обработки данных, БД и базы знаний для анализа эффективности НИРС в вузе. Также в этой главе описана математическая модель системы с использованием аппарата нечеткой логики, исследуемая предметная область в терминах нечеткой логики и правила нечеткого логического вывода. Кроме того, в третьей главе проводится разработка OLAP-модели данных на основе математической модели, КИМПО, реляционной схемы данных и расширение OLAP-модели путем разработки таких средств интеллектуального анализа данных, как data mining, трендов, ключевых индикаторов производительности и деревьев решений.

В третьей главе проводится программная реализация системы оперативной обработки и интеллектуального анализа данных на основе разработанных моделей и алгоритмов для обработки информации о НИРС в вузе. Здесь рассматриваются такие аспекты реализации системы как выбор инструментов реализации системы, варианты использования системы, физические модели данных и OLAP-кубов, создание иерархий измерений,

KPI, трендов, дерева принятий решений, использования data mining. Кроме того, приведены экранные снимки интерфейса программной системы, а

12 также описание процесса визуализации данных для повышения эффективности их интеллектуальной обработки. Также в этой главе описано применение моделей и алгоритмов для организации обработки данных в Учебном центре ТПУ & SoftLine Academy и в ФГУП «Томской электротехнический завод».

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Вахитов, Александр Робертович

3.5. Выводы

1. На основе выдвинутых требований к среде разработки системы сформированы критерии выбора программной среды для реализации системы.

2. Проведен сравнительных анализ программных на основе метода интегральных критериев для выбора варианта реализации системы.

130

В качестве программной среды была выбрана Microsoft SQL Server Analysis Services 2008, так как она имеет преимущества по всем интегральным критериям.

3. Создана и исследована программная система оперативной обработки и интеллектуального анализа данных на основе разработанных моделей и алгоритмов, которая позволяет повысить эффективность процесса работы с данными:

• На языке унифицированного моделирования UML описаны варианты использования системы для различных пользователей.

• Реализована реляционная база данных о НИРС в вузе, построено 2 аналитических OLAP-куба: для результатов НИРС и для поощрений за НИРС, созданы измерения, меры, иерархии измерений, ключевые индикаторы производительности, тренды, внедрена технология data mining на основе методологии деревьев решений.

• Реализован алгоритм совместного использования процедур нечеткого логического вывода, аналитической обработки данных в реальном времени и извлечения данных.

• Реализован пользовательский интерфейс программной системы. В главе приведены экранные снимки интерфейса реализованной системы.

• Реализован алгоритм динамического изменения структуры данных на этапе работы пользователя с программной системой.

• Проведена визуализация данных на основе программного пакета Novospark Vizualizer, позволяющая представить данные в наглядной форме, а также обнаружить скрытые закономерности в наборах данных.

4. Разработанные модели, алгоритмы и технологии созданной системы применены для организации обработки данных в Учебном центре ТПУ & SoftLine Academy и в ФГУП «Томской электротехнический завод», что подтверждено соответствующими актами о внедрении (Приложение 5).

ЗАКЛЮЧЕНИЕ

Исследования, проведенные в диссертационной работе, направлены на решение актуальной важной народнохозяйственной задачи создания математического и программного обеспечения системы оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику и обеспечивающей повышение эффективности процесса обработки данных.

К основным результатам, в которых отражена научная новизна и I практическая значимость данной работы, относятся:

1. Проведен анализ моделей обработки данных и классов математических моделей описания данных, на основе которого обоснован выбор классов моделей разрабатываемой системы.

2. Разработана математическая модель системы интеллектуальной обработки данных, основанная на аппарате нечеткой логики, позволяющая повысить эффективность обработки данных применительно к существующим задачам.

3. Разработана OLAP-модель данных системы, а также средства интеллектуального анализа данных, в том числе правила data mining, тренды, ключевые индикаторов производительности, которые наделяют систему возможностями оперативной аналитической обработки информации.

4. Разработан алгоритм обработки данных в системе, использующий нечеткую логику, аналитическую обработку данных в реальном времени и механизм извлечения данных. Основным отличительным свойством системы является совместное использование технологий OLAP и data mining, аппарата нечеткой логики, а также таких вспомогательных средств интеллектуального анализа как KPI и тренды.

5. Разработана модель, включающая процедуры нечеткого логического вывода и процедуры обработки данных в рамках одной программной системы.

6. Создана система оперативной обработки и интеллектуального анализа данных, использующей нечеткую логику, которая позволяет повысить эффективность процесса работы с данными. Основу созданной системы составляет математическая модель данных, выполненная с использованием теоретических основ нечеткой логики, и OLAP-модель обработки данных. В дальнейшем эти модели были реализованы в среде разработки Business Intelligence Development Studio с использованием СУБД SQL Server Analysis Services 2008. В результате была разработана программная система, которая предназначается для автоматизации процесса обработки данных. При этом система позволяет осуществлять интеллектуальный анализ данных, извлекать отсутствующие данных, увеличить скорость обработки данных и удобство представления данных конечному пользователю по сравнению с классическими методами. Предметной областью, для которой реализована система, является НИРС в вузе.

7. Проведена визуализация данных на основе программного пакета Novospark Vizualizer, позволяющая представить данные в наглядной форме, а также обнаружить скрытые закономерности в наборах данных.

8. Разработанные модели, алгоритмы и технологии созданной системы применены для организации обработки данных в Учебном центре ТПУ & SoftLine Academy и в ФГУП «Томской электротехнический завод», что подтверждено соответствующими актами о внедрении (Приложение 5).

В процессе исследования использовались следующие теории и методы: I теория реляционной модели данных, аппарат математической логики, методы объектно-ориентированного программирования, методы аналитической обработки информации, методы извлечения данных. В процессе разработки использовались такие технологии как ASP.Net, OLAP, data mining, KPI, тренды, нечеткая логика.

Для исследования были применены следующие программные средства: графический пакет Design/IDEF 3.7, Microsoft Office Word 2007, Microsoft Office Excel 2007, Microsoft Office Visio 2007, Rational Rose 2000, Microsoft SQL Server 2008, Microsoft Visual Studio 2008, Novospark Visualizer 2.1.

Список литературы диссертационного исследования кандидат технических наук Вахитов, Александр Робертович, 2010 год

1. Аксёнов, С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / под общ. ред. В.Б. Новосельцева. — Томск: Изд-во НТЛ, 2006. 128 с.

2. Боуман Д, Эмерсон С., Дарновски М. Практическое руководство по SQL. Киев: Диалектика, 1997.

3. Братчиков, И. JI. Синтаксис языков программирования / И.Л. Братчиков. М.: Мир, 1975. - 232 с.

4. Букович У., Уильяме Р. Управление знаниями: руководство к действию (Wendi R. Bukowitz, Ruth L. Williams The Knowledge Management Fieldbook). M.: ИНФРА-М, 2002. - 504 c.

5. Васкевич Д. Стратегии клиент/сервер. — Киев: Диалектика, 1997.

6. Вахитов, А.Р. Использование KPI, технологий OLAP И data-mining при обработке данных / А.Р. Вахитов // Известия Томского политехнического университета. 2009. — Т. 314. — № 5. — С. 175— 179.

7. Вахитов, А.Р., Новосельцев, В.Б. Преимущества дескриптивной логики при обработке знаний / А.Р. Вахитов, В.Б. Новосельцев // Известия Томского политехнического университета. 2008. -Т. 313. -№ 5. -С. 73-76.

8. Вахитов, А.Р., Соколова, В.В. Decision support system for quality management / А.Р. Вахитов, В.В. Соколова // Снежинск и наука -2006: Материалы VII Международной научно-практической конференции: Снежинск, 2006. С. 172-174.

9. Вахитов, А.Р., Соколова, В.В. Система поддержки принятия решений руководителя кафедры / А.Р. Вахитов, В.В. Соколова //

10. Молодежь и современные информационные' технологии:i

11. Материалы IV Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых: Томск, 2006. С. 35—37.

12. Вирт, Н. Алгоритмы и структуры данных / Н. Вирт; пер. с англ. -СПб.: Невский диалект, 2001. 352 с.

13. Вольфенгаген, В.Э. Реляционные методы проектирования банков данных / В.Э. Вольфенгаген, JI. Т. Кузин, В. И. Саркисян. Клев-Наука, 1979. - 420 с.

14. Гаврилова, Т. Базы знаний интеллектуальных систем: учебник для вузов / Т. Гаврилова, В. Хорошевский. СПб.: Питер, 2000. - 384 с.

15. Гарсиа-Молина, Г. Системы баз данных. Полный курс / Г. Гарсиа-Молина, Дж. Ульман, Дж. Уидом. М.: Вильяме, 2003. - 1088 с.

16. Гасфилд, Д. Строки, деревья и последовательности в алгоритмах / Д. Гасфилд. СПб.: БХВ-Петербург, 2003 - 654 с.

17. Гилуа М.М. Множественная модель данных в информационных системах. М.: Наука, 1992.

18. Голосов, А.О. Аномалии в реляционных базах данных // СУБД. -1986.-№3.-С. 23-28.

19. Грабер М. Введение в SQL. М.: Лори, 1996. - 379 с.

20. Грабер М. Справочное руководство по SQL. М.: Лори, 1997. -291 с.

21. Дейт К. Введение в системы баз данных // 6-издание. Киев: Диалектика, 1998. - 784 с.

22. Дейт К. Руководство по реляционной СУБД DB2. М.: Финансы и статистика, 1988. - 320 с.

23. Джевонс, Стенли. Элементарный учебник логики дедуктивной и индуктивной. СПб., 1881.

24. Джинн К. Логика в статистике. М., 1973.

25. Диго, С.М. Проектирование и использование баз данных / С.М. Диго. М.: Финансы и статистика, 1983. - 208 с.

26. Дрибас, В.П. Реляционные модели баз данных / В.П. Дрибас. — Минск: БГУ им. Ленина, 1982. 191 с.

27. Ершов, Ю.Л., Палютин Е.А. Математическая логика. — М., 1979.

28. Жоль, К.К. Логика в лицах и символах. М., 1993.

29. Загорский, Г.И, Математическая статистика. М., 1985.

30. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

31. Замулин, A.B. Системы программирования баз данных и знаний / A.B. Замулин. Новосибирск: Наука, 1990. - 350 с.

32. Иванов, А.Ю. Основы построения и проектирования реляционных баз данных / А.Ю. Иванов, И.Б. Саенко. СПб: ВАС, 1998. - 80 с.

33. Иванов, Е.А. Логика. М., 1996.

34. Ивин, A.A. Строгий мир логики. М., Педагогика. 1988.

35. Ивин, A.A. Искусство правильно мыслить. М., 1990.

36. Илюшин, А.И. Многоуровневая модель архитектуры БД и ИПС / А.И. Илюшин, В.И. Филлипов // Программирование. 1980. - № 6. -С. 7-28.

37. Кнут, Д. Искусство программирования для ЭВМ. В 3 т. Т. 1. Основные алгоритмы / Д. Кнут. М.: Мир, 1976. - 453 с.

38. Когаловский, М. Р. Перспективные технологии информационных систем / М. Р. Когаловский. М.: ДМК-Пресс, 2003. - 288 с.

39. Когаловский, М.Р. Энциклопедия технологий баз данных /I

40. М.Р. Когаловский. М.: Финансы и статистика, 2002. - 800 с.

41. Коннолли, Т. Базы данных. Проектирование, реализация и сопровождение. Теория и практика. — 3-е изд., перераб. и доп. / Т. Коннолли, К. Бегг. - М.: Вильяме, 2003. - 1436 с. ■

42. Кормен, Т. Алгоритмы: построение и анализ / пер. с англ / Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн. М.: Вильяме, 2005.- 1296 с.

43. Корниенко, A.B. Интеллектуальные информационные системы в экономике: учебное пособие. Томск: Изд-во Томского политехнического университета, 2008. — 177 с.

44. Корниенко, А. В. Логико-математические основы искусственного интеллекта и экспертных систем: учебно-справочное пособие. — Томск: Изд. ИПФ, 1999. 32 с.

45. Корниенко, A.B. Дискретная математика: учеб. пособие. 2-е изд! — Томск: Изд-во ТПУ, 2000. - 104 с.

46. Корниенко, A.B. Экспертные системы в экономике: учеб. пособие. — Томск: Изд-во ТПУ, 2002. 120 с.

47. 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.

48. Котов, В. М. Структуры данных и алгоритмы: теория и практика / В. М. Котов, Е. П. Соболевская. Минск: БГУ, 2004. - 255с.

49. Кречетов Н., Иванов П. Продукты для интеллектуального анализа данных // ComputerWeek-Москва. 1997. - № 14-15. - С. 32-39.

50. Кудрявцев, В.Б. Введение в теорию конечных автоматов / В.Б. Кудрявцев, С. В. Алешин, А. С. Подколзин,- М.: Наука, 1975. -320 с.

51. Кузнецов, С. Д. Методы оптимизации выполнения запросов в реляционных СУБД / С. Д. Кузнецов // Вычислительные науки. Т. 1. Итоги науки и техники ВИНИТИ АН СССР. М.: ВИНИТИ АН СССР, 1989. - С. 76-153.

52. Кузнецов, С.Д. Основы баз данных. Курс лекций: учебное пособие / С.Д. Кузнецов М.: ИНТУИТ, 2005. - 488 с.

53. Кузнецов, С.Д. Неопределенная информация и трехзначная логика // СУБД. 1997. - №5. - С. 65-67.

54. Лавров, С.С. Программирование. Математические основы, средства, теория / С.С. Лавров М.: Наука, 2000. - 317 с.

55. Ладыженский, Г.М. Системы управления базами данных — коротко о главном // СУБД. 1995. - № 1, 2, 3, 4.

56. Мартин Д. Планирование развития автоматизированных систем. -М.: Финансы и статистика, 1984. 196 с.

57. Мейер М. Теория реляционных баз данных. М.: Мир, 1987. - 608 с.

58. Нагао М., Катаяма Т., Уэмура С. Структуры и базы данных. М.: Мир, 1986.- 197 с.

59. Новосельцев, В. Б. Теория структурных функциональных моделей / В. Б. Новосельцев // Сибирский математический журнал. 2006. -Т. 47.-№5.-С. 1014-1030.

60. Новосельцев, В. Б. Теория функциональных моделей /

61. B.Б. Новосельцев // Сибирский математический журнал. 2006. -Т. 47. -№ 6. - С. 1242-1354.

62. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. М.: Радио и связь, 1989.-304 с.

63. Пржиялковский, В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации // СУБД. — 1996. — № 4. —1. C. 71-83.

64. Прохоров, А. Определение оптимальной структуры базы данных //1.formix magazine. Русское издание. 1998. - Апрель.

65. Раден Н. Данные, данные и только данные // ComputerWeek-Москва. 1996. - № 8. - С. 28.

66. Райли, Д. Д. Абстракция и структуры данных: Вводный курс / Д.Д. Райли / пер. с англ. М.: Мир, 1993. - 750 с.

67. Райордан, Р. Основы реляционных баз данных / Р. Райордан. М.: Русская Редакция, 2001. - 384 с.

68. Ревунков, Э. Н. Самохвалов, В. В. Чистов М.: Высшая школа, 1992.-367 с.

69. Роб, П. Системы баз данных: проектирование, разработка ииспользование / П. Роб, К. Коронел. — СПб.: БХВ-Петербург!, 2003.- 1200 с.

70. Романов, В.П. Интеллектуальные информационные системы в экономике: Учебное пособие. М.: Экзамен, 2003. - 496 с.

71. Саймон, А.Р. Стратегические технологии баз данных / А.Р. Саймон / пер. с англ. М.: Финансы и статистика, 1999. - 479 с.

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

73. Сахаров, А. А. Принципы проектирования и использования многомерных баз данных // СУБД. 1996. - № 3. - С. 44-59.

74. Силич, В. А., Силич, М. П. Системный анализ и исследование операций: Учебное пособие. Томск: изд. ИПФ, 2000. - 97 с.

75. Силич, В. А., Силич, М. П. Реинжиниринг бизнес-процессов: Учебное пособие. Томск: Томск, государственный университет систем управления и радиоэлектроники, 2006. - 136 с.

76. Совместное использование учетных систем и технологии OLAP Электронный ресурс. — 2006. Режим доступа: http://www.basegroup.ru/library/analysis/tree/description/. -16.03.2010.

77. Совместное использование OLTP и OLAP систем Электронный ресурс. 2006. - Режим доступа: http://www.citforum.ru/database/articles/olapoltp.shtml. - 17.04.2009.

78. Тейз А., Грибомон П., Луи Ж. и др. Логический подход к искусственному интеллекту. М.: Мир, 1990. - Т. 1. От классической логики к логическому программированию. — С. 125— 134.

79. Тиори Т., Фрай Д. Проектирование структур баз данных. В 2 кн. -М.: Мир, 1985. Кн. 1. 287 е.: Кн. 2. - 320 с.

80. Тузовский, А.Ф., Чириков, C.B., Ямпольский, В.З. Системы управления знаниями (методы и технологии) / под общ. ред. В.З. Ямпольского. Томск: Изд-во НТЛ, 2005. - 260 с.

81. Тузовский А.Ф., Ямпольский В.З. От баз данных к базам знаний // Информационные технологии территориального управления. 2004. -№ 42.-С.49-56.

82. Туо Дж. Каждому пользователю свое представление данных // ComputerWeek-Москва. - 1996. - № 38. - С. 1, 32-33.

83. Ульман Д. Основы систем баз данных. М.: Финансы и статистика, 1983. — 334 с.

84. Цаленко, М.Ш. Моделирование семантики в базах данных. М.: Наука, 1988.

85. Цикритизис Д., Лоховски Ф. Модели данных. М.: Финансы и статистика, 1985. — 344 с.

86. Чамберлин, Д.Д., Астрахан, М.М., Эсваран, К.П., Грифитс, П.П., Лори, Р.А., Мел, Д.В., Райшер, П., Вейд, Б.В. SEQUEL 2: унифицированный подход к определению, манипулированию и контролю данных // СУБД. 1996. - №1. - С. 144-159.

87. Чаудхари С. Методы оптимизации запросов в реляционных системах // СУБД. 1998. - №3. - С. 22-36.

88. Чен П. Модель «сущность-связь» — шаг к единому представлению о данных // СУБД. 1995. - № 3. - С. 137-158.

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

90. An Introduction to Multidimensional Database Technology. Kenan Systems Corporation, 1995.

91. Baader F., Nutt. W. Basic description logics Электронный ресурс. = Основы дескриптивной логики Электронный документ — Режим доступа: http://www.inf.unibz.it/-franconi/dl/course/dlhb/dlhb-02.pdf. -Загл. с экрана.

92. Brachman R., Sefridge P. Knowledge representation support for data archeology // Intelligent and Cooperative Information Systems. 1993. -№2.-P. 159-186.

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

94. Codd E.F. Extending the Database Relation Model to Capture More Meaning // ACM Transaction on Database Systems. 1979 V. 4, № 4. -P.397-434.

95. Codd E.F. Relation Model of Data for Large Shared Data Banks // Comm. ACM. 1970. - V. 13, № 6. - P. 377-383.

96. Codd, E. F. A relation model of data for large shared data banks / E. F Codd // Communication of the ACM, v.13. 1970. - № 6. - P. 337387

97. Codd, E.F. Providing OLAP (On-Line Analytical Processing) to useranalysts: an IT Mandate / E.F Codd, S. B. Codd, С. T. Salley // CACM. 1993. - P. 223-354.

98. Demarest M. Building the Data Mart // DBMS. 1994. - № 7. - P. 4450.

99. Eswaran K.P., Gray J.N., Lorie R.A., Traiger I.L. The Notions of Consistency and Predicate Locks in a Data Base System // CACM. -1976. V.19, №11.

100. Fagin R. Multivalued Dependencies and New Normal Form for Relational Databases //ACM TODS. 1977. - V.2, №3.

101. Fagin R.A. Normal Form for Relational Databases That is Based on Domains and Key //ACM Transactions on Database Systems. 1981. — V.6, №3. - P.387-415.

102. Gray J., Lorie R., Putzolu G., Traiger I. Granularity of Locks and Degrees of Consistency in a Shared Data Base //in Readings in Database Systems, Second Edition, Chapter 3, Michael Stonebraker, Ed., Morgan Kaufmann. 1994.

103. Nardi D., Brachman J. An Introduction to Description Logics Электронный ресурс. = Введение в дескриптивную логику. -Электронный документ Режим доступа: http://www.inf.unibz.it/~franconi/dl/course/dlhb/dlhb-01.pdf. - Загл. с экрана.

104. Parsaye К.A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. -1998.-№ 1.

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

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

107. Voronkov A. Theorem proving in non-standard logics based on the inverse method // 11th Intern. Conf. on Automated Deduction, D. Kapur, Ed. Lecture Notes in Artificial Intelligence. 1992. - P. 648-662.