Модели и алгоритмы анализа сверхкоротких гранулярных временных рядов на основе байесовских сетей доверия тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Суворова, Алёна Владимировна

• Суворова, Алёна Владимировна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Суворова, Алёна Владимировна

Оглавление

Оглавление

Введение

Глава 1. Современное состояние проблемы

Введение

§1.1. Подходы к построению моделей социально-значимого поведения

§ 1.2. Подходы к представлению и обработке неопределенности данных и знаний о поведении индивидов

§ 1.3. Источники исходных данных при моделировании поведения респондента

Выводы по главе

Глава 2. Основные понятия и используемые методы

Введение

§ 2.1. Оценка интенсивности на основе данных о последних эпизодах

§ 2.2. Анализ и синтез показателей при информационном дефиците

§ 2.3. Вероятностные распределения порядковых статистик

§ 2.4. Основы теории байесовских сетей доверия

Выводы по главе

Глава 3. Модели и алгоритмы анализа поведения респондента на основе

байесовской сети доверия

Введение

§ 3.1. Особенность обработки данных об интервале в окрестности интервью

§ 3.2. Оценка параметров поведения по данным о рекордных интервалах

§ 3.3. Обработка особенностей исходных данных

§ 3.4. Обобщенная модель поведения респондентов

§ 3.5. Модель на основе байесовской сети доверия

Выводы по главе

Глава 4. Компоненты прототипа комплекса программ

Введение

§ 4.1. Структура базы данных

§ 4.2. Структура объектно-ориентированной библиотеки для расчета оценок параметров поведения респондентов

§ 4.3. Представление байесовской сети доверия в прототипе комплекса программ

§ 4.4. Компонента прототипа комплекса программ для приближенного вычисления интенсивности

§ 4.5. Апробация моделей на статистических данных

Выводы по главе

Заключение

Список литературы

Список иллюстраций

Список таблиц

Приложение А. Диаграмма классов

Приложение Б. Описание структуры таблиц реляционной базы данных

Приложение В. Свидетельства о регистрации программ для ЭВМ

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы анализа сверхкоротких гранулярных временных рядов на основе байесовских сетей доверия»

Введение

Проблема анализа данных и знаний, характеризующихся неопределенностью, является одной из областей искусственного интеллекта, в частности, вопросы обработки и представления неопределенности рассматривали J. Halpern, A. Dempster, D. Dubois, J. Pearl, H. Prade, G. Shafer, L. Zadeh, Д.А. Поспелов, JI.В. Уткин, A.B. Язенин, Н.Г. Ярушкина и др. Одной из подобных задач является разработка моделей и методов для обеспечения поддержки принятия решений в условиях, когда для получения данных невозможно организовать классические формы длительного наблюдения и многофакторного измерения параметров процесса, но имеются сведения, полученные от экспертов, предположения о классах и семействах таких процессов, а также ограниченное число измеряемых особенностей такого процесса [88, 93, 99, 128, 129]. В частности, такие данные возникают при изучении поведения посредством опросов участников или экспертов. Аналогичные задачи возникают в системе управления и принятия решений, например для оценки степени удовлетворенности той или иной предоставляемой государственной услугой. В целом, можно сказать, что поставленные вопросы относятся к более широкой, комплексной области исследований, посвященной анализу и моделированию поведения в контексте интеллектуальных систем принятия решений, изучением которой занимаются Г.С. Осипов, О.П. Кузнецов, B.JI. Сте-фанюк и др. [14, 40, 53, 72]

Указанная проблема является междисциплинарной, для ее решения требуется привлечение и адаптация ряда методов и моделей искусственного интеллекта и мягких вычислений вместе с методами и моделями классической математики (нечеткие системы и ряды, вероятностные графические модели, в т.ч. байесовские сети, методы построения сводных показателей в условиях дефицита информации (подход Н.В. Хованова), модели гранулярных знаний и др.), причем развиваемые методы и модели должны быть наце-

лены на дальнейшее использование в комплексах программ, автоматизирующих/поддерживающих принятие решений или мониторинг показателей в соответствующих предметных областях.

Междисциплинарность тематики обусловлена также тем, что во многих случаях при изучении поведения (или процесса) кроме данных об эпизодах поведения становятся известными также дополнительные сведения — в случае социально-значимого поведения это психологические, демографические, социальные характеристики, позволяющие лучше его описать. Кроме того, часто существуют дополнительные обоснованные предположения о характере процесса, о связях между параметрами. Включение таких теоретических предположений позволяет построить более полную модель. Как следствие, необходимо предложить модели и алгоритмы, позволяющие анализировать данные, полученные при исследовании указанных процессов, в частности, при изучении социально-значимого поведения.

Степень разработанности темы. В работах А.Е. Пащенко, Т.В. Тулу-пьевой [54, 57, 58, 60, 128-131, 133, 135, 136] предложен подход, позволяющий получать количественные данные об эпизодах поведения (другими словами, элементов временного ряда) в условиях невозможности длительного наблюдения или измерения параметров. Проведено полевое исследование для сбора статистических данных и апробации разработанного опросного инструментария, выявлены психологические характеристики респондентов, ассоциированные с рискованным поведением. Проведена формализация и классификация ответов респондентов об эпизодах поведения, предложены подходы к оценке параметров рискованного поведения по исходным данным частного вида. Предложено рассмотрение модели поведения в виде случайного процесса определенного класса. Однако, в такую модель очень сложно добавлять новые факторы, новые предположения о предметной области потребуют полного пересчета компонентов модели.

Исследуемая задача близка к задачам, возникающим при анализе временных рядов. Однако, несмотря на удобство использования методологии

моделирования и анализа временных рядов, в частности, методологии анализа нечетких временных рядов, разрабатываемой Н.Г. Ярушкиной, С.М. Ковалевым и др. [6, 35, 52, 106, 150], применение этих подходов к решению задачи, связанной с моделированием поведения, сталкивается с рядом ограничений. В частности, такие модели характеризуются невысоким качеством при моделировании коротких временных рядов (причем короткими считаются ряды с числом наблюдений меньше 40). Предлагаемые в диссертационном исследовании модели и алгоритмы анализа направлены на преодоление подобных ограничений за счет адаптации и совместного использования методов искусственного интеллекта и классической математики для обработки данных, характеризующихся неопределенностью.

Объект диссертационного исследования — интеллектуальные модели поведения респондентов на основе неточных данных об ограниченном числе его измеряемых особенностей. Предмет исследования — модель временного ряда эпизодов поведения, рассматриваемого как пуассоновский процесс, на основе байесовских сетей доверия как средства представления и обработки данных и знаний с неопределенностью и методы оценки параметров такой модели.

Цель диссертационного исследования — разработка и развитие моделей на основе байесовских сетей доверия, методов и алгоритмов анализа временных рядов эпизодов поведения, представленного пуассоновским процессом, в условиях неполной, неточной, нечеткой и нечисловой информации особого вида, характеризующейся гранулярностью, для оценки параметров таких моделей. Такая информация включает в себя различные комбинации ограниченного числа сведений об эпизодах поведения (последние эпизоды, минимальный и максимальный интервалы).

Достижение цели осуществляется за счет последовательного решения следующих задач:

1) формализация особенностей последнего элемента ряда, представленного пуассоновским и гамма-пуассоновским процессом, для

корректного построения моделей, основанных на данных об этом элементе, а также разработка подходов к обработке этих особенностей;

2) разработка методов оценки параметров ряда эпизодов поведения, представленного пуассоновским процессом, на основе гранулярных данных о рекордных интервалах между последовательными эпизодами;

3) построение обобщенной модели временного ряда эпизодов поведения, представленного пуассоновским процессом, по неполной и неточной информации об ограниченном числе его элементов на основе байесовской сети доверия, как теоретического аппарата для представления и обработки данных и знаний с неопределенностью;

4) формализация разработанных методов в виде алгоритмов расчета оценок параметров таких рядов;

5) реализация указанных алгоритмов в прототипе комплекса программ для вычислительных экспериментов и решения практических задач.

Теоретическая и практическая значимость работы. Полученные результаты предлагают подходы к обработке данных особого типа, часто встречающихся при анализе социально-значимого поведения на основе результатов опроса или интервью. Такие данные являются неполными, выражены на естественном языке и характеризуются неопределенностью. В частности, в качестве одного из применений построенных моделей можно выделить использование разработанного комплекса программ для сопровождения, в первую очередь, эпидемиологических и социально-эпидемиологических исследований, направленных на моделирование, анализ и мониторинг рискованного поведения и изучение параметров указанного поведения, таких как интенсивность и риск, связанный с рассматриваемым поведением, и таким образом являться составной частью комплексной системы для поддержки принятия решений в области здравоохранения.

Работа в своей теоретической части относится к таким направлениям, как исследование и разработка средств представления знаний (содержащихся в естественно-языковых высказываниях), разработка методов анализа данных, разработка теоретических основ создания программных систем для новых информационных технологий (в части синтеза в условиях информационного дефицита различных показателей интенсивности рискованного поведения). Результаты работы вносят вклад в теоретическую основу, а также в основу для проведения вычислительных экспериментов для исследования и моделирования поведения.

Кроме того, полученные теоретические результаты могут использоваться в учебном процессе для студентов, специализирующихся в информатике, особенно таких междисциплинарных направлениях, как прикладная информатика в гуманитарной сфере. Так, частично, результаты были включены в программы спецкурсов «СУБД, интерфейсы и интеллектуальные модели в комплексах программ» и «Комплекс средств и языков для хранения, обработки и анализа данных» математико-механического факультета СПбГУ.

Методология и методы исследования. Работа носит теоретический характер. Работа опирается на методологию дедуктивного и индуктивного обоснования утверждений в отношении специальным образом формализованных объектов и сведения новых нерешенных задач к известным задачам, уже получившим решение. Используются объекты и методы теории вероятностей, математической статистики, гранулярных вычислений. Основным инструментом моделирования поведения респондентов для последующей разработки подходов к оцениванию их характеристик выступает теория случайных последовательностей вместе с методами теории вероятностных графических моделей, и, более узко, методов теории байесовских сетей доверия. В программно-технологической части используются принципы структурного и объектно-ориентированного программирования, 1ауа-технологии, а также среда ОеМе&8М1ЬЕ для представления байесовской сети доверия и построения апостериорных вероятностных распределений.

Научная новизна. Все результаты, полученные соискателем, являются новыми.

Разработаны методы и алгоритмы оценки параметров временного ряда эпизодов поведения на основе данных о последних элементах ряда (последних эпизодах поведения) и рекордных интервалах между последовательными эпизодами. Предложена модель на основе байесовской сети доверия для оценки параметров поведения. Методы формализованы в виде алгоритмов расчета оценок параметров таких рядов.

Разработаны компоненты прототипа комплекса программ, реализующие указанные алгоритмы расчета параметров сверхкороткого временного ряда на основе гранулярных данных и знаний.

Таким образом, в диссертации предложены модели и методы для обеспечения поддержки принятия решений в условиях, когда для получения данных о поведении невозможно организовать длительное наблюдение, но имеются сведения с неопределенностью, полученные от экспертов, предположения о классах и семействах процессов, а также ограниченное число измеряемых особенностей такого процесса (сверхкороткий временной ряд).

Степень достоверности и апробация результатов. Достоверность и обоснованность результатов работы обеспечены строгими математическими доказательствами и корректным использованием методов соответствующих математических дисциплин.

Результаты диссертационного исследования были представлены на 20 научных мероприятиях:

1) Научно-практическая конференция студентов, аспирантов, молодых ученых и специалистов «Интегрированные модели, мягкие вычисления, вероятностные системы и комплексы программ в искусственном интеллекте» (Коломна, 2009);

2) Международная научно-практическая конференция «Моделирование и анализ массовых событий в экономике и социуме» (Санкт-Петербург, 2010); 3) Научная сессия НИЯУ МИФИ-2010 (Москва, 2010);

4) У1-й Международная научно-техническая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2011);

5) Научная сессия НИЛУ МИФИ-2011 (Москва, 2011);

6) VII Санкт-Петербургская межрегиональная конференция «Информационная безопасность регионов России (ИБРР-2011)» (Санкт-Петербург, 2011);

7) VI Международная научно-практическая конференция молодых специалистов, аспирантов и студентов «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (Пенза, 2012);

8) XV Международная конференция по мягким вычислениям и измерениям (БСМ-2012) (Санкт-Петербург, 2012);

9) 1-й Международный симпозиум «Гибридные и синергетические интеллектуальные системы: теория и практика» (Калининград, 2012);

10) 5-я Российская мультиконференция по проблемам управления «Информационные технологии в управлении (ИТУ-2012)» (Санкт-Петербург, 2012);

11) Тринадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2012) (Белгород, 2012);

12) Всероссийская научная конференция по проблемам информатики СПИСОК-2012 (Санкт-Петербург, 2012);

13) Научная сессия НИЯУ МИФИ-2012 (Москва, 2012);

14) XIII Санкт-Петербургская международная конференция «Региональная информатика-2012 (РИ-2012)» (Санкт-Петербург, 2012);

15) Международная (44-я Всероссийская) молодежная школа-конференция «Современные проблемы математики» (Екатеринбург, 2013);

16) Вторая Международная научно-практическая конференция «Социальный компьютинг, технологии развития, социально-гуманитарные эффекты (18С-13)» (Москва, 2013);

17) УИ-й Международная научно-техническая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2013);

18) Научная сессия НИЯУ МИФИ-2013 (Москва, 2013);

19) Всероссийская научная конференция по проблемам информатики СПИСОК-2013 (Санкт-Петербург, 2013);

20) VIII Санкт-Петербургская межрегиональная конференция «Информационная безопасность регионов России (ИБРР-2013)» (Санкт-Петербург, 2013).

Результаты диссертационного исследования докладывались на Санкт-Петербургском городском научном семинаре «Информатика и компьютерные технологии» в феврале 2013 года, а также на Ученом совете Санкт-Петербургского института информатики и автоматизации РАН в марте 2013 года.

Исследования по тематике выполнялись в рамках проектов, поддержанных следующими грантами:

1) грант РФФИ на 2009-2011 гг., проект № 09-01-00861-а «Методология построения интеллектуальных систем поддержки принятия решений на основе баз фрагментов знаний с вероятностной неопределенностью»;

2) грант РФФИ на 2012-2014 гг., проект № 12-01-00945-а «Развитие теории алгебраических байесовских сетей и родственных им логико-вероятностных графических моделей систем знаний с неопределенностью»;

3) субгрант на 2012-2013 гг. № М13А11589 (А06995) гранта NIH № 5 R01AA017389-04 «Alcohol and HIV Risk Reduction in St. Petersburg, R.F.»;

4) грант Комитета по науке и высшей школе Правительства Санкт-Петербурга для молодых ученых и кандидатов наук на 2012 г. «Модели и алгоритмы анализа сверхкоротких неточных временных рядов на основе гранулярных данных и знаний»;

5) грант РФФИ на 2012 г., проект № 12-01-16031-моб_з_рос «Научный проект "Вероятностно-нечеткостная модель социально-значимого поведения в случае неточных данных о его эпизодах, предшествующих интервью" для представления на научном мероприятии 1-й Международный симпозиум "Гибридные и синергетические интеллектуальные системы: теория и практика (ГИСИС'2012)"».

Соискатель является руководителем проектов № 4-5. Также соискатель является победителем конкурсов на получение стипендии Президента Российской Федерации (пр. 970 от 23.11.2012 и пр. 1140 от 11.10.2013).

Публикации. По теме диссертации автором опубликована 41 научная ра-бота (включая 4 единоличных), из них 12 статей (3 — единоличных) в журналах из Перечня рецензируемых научных журналов и изданий для опубликования основных научных результатов диссертаций, рекомендованного ВАК, включая 1 статью в журнале, входящем в базу данных цитирования Web of Science, 10 свидетельств о регистрации программы для ЭВМ и баз данных (5 — в РОСПАТЕНТе, 5 — в ЦИТиСе / ОФЕРНиО). Кроме того, материалы диссертационного исследования нашли отражение в 12 тезисах докладов на научных конференциях и в 3 научных отчетах, прошедших регистрацию в ЦИТиС.

Личный вклад A.B. Суворовой в публикациях с соавторами характеризуется следующим образом: в [254] предложена модель рискованного поведения, учитывающая особенности последнего интервала между эпизодами, проведено исследование модели; в [93] формализовано описание особенностей исходных данных; в [29, 31] преобразована к более удобной форме разработанная ранее математическая модель; в [30] проведены вычислительные эксперименты и обобщены их результаты; в [42, 43, 83] предложено формальное обоснование подхода к обработке систематической ошибки при анализе данных о последнем эпизоде; в [98, 128-130] проведено тестирование модели на статистических данных; в [102] специфицирована байесовская сеть доверия, моделирующая поведения; в [71] проведена коррекция модели с учетом дополнительных предположений и включением новых исходных данных; в [84] проведено тестирование модели на статистических данных и обобщены его результаты.

В работе [56] адаптированы к случаю пуассоновского случайного процесса методы теории рекордов для представления функций распределения длин интервалов между эпизодами; в [59, 90, 95, 127] предложены методы

вычисления оценок интенсивности поведения респондентов на основе различных сочетаний сведений о максимальном, минимальном и обычном интервале между эпизодами; в [61, 115-126] разработаны алгоритмы, формализующие предложенные методы. В [55] предложены алгоритмы расчета весовых коэффициентов при рандомизации неопределенности ответа об эпизоде поведения для различных вероятностных распределений.

Структура диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и списка иллюстраций. Работа изложена на 168 страницах машинописного текста, включающих 37 рисунков и библиографию, содержащую 271 наименование.

Положения, выносимые на защиту:

1) формализация особенностей последнего элемента ряда, представленного пуассоновским и гамма-пуассоновским процессом, для корректного построения моделей, основанных на данных об этом элементе, а также подходы к обработке этих особенностей;

2) методы оценки параметров ряда эпизодов поведения, представленного пуассоновским процессом, на основе гранулярных данных о рекордных интервалах между последовательными эпизодами;

3) обобщенная модель временного ряда эпизодов поведения, представленного пуассоновским процессом, по неполной и неточной информации об ограниченном числе его элементов на основе байесовской сети доверия;

4) формальное описание методов расчета оценок параметров таких рядов в виде алгоритмов;

5) реализация указанных алгоритмов расчета параметров сверхкороткого временного ряда на основе гранулярных данных и знаний в компонентах прототипа комплекса программ.

Глава 1. Современное состояние проблемы

Введение

В данной главе рассматривается современное состояние исследований в областях, связанных с моделированием поведения респондентов на основе данных о некотором числе эпизодов такого поведения для последующей оценки параметров таких моделей. Так, предложен обзор подходов к моделированию поведения в искусственном интеллекте и смежных с ним областях; рассмотрены подходы к представлению и обработке неопределенности, вызванной особенностями исходных данных и способами их получения. В частности, описаны подходы к оценке параметров рискованного поведения, используемые при решении задач в науках социо-гуманитарного цикла (в психологии, эпидемиологии, общественном здоровье).

Изложение материала основано на обзорах [76, 81].

§ 1.1. Подходы к построению моделей социально-значимого поведения

Задачи моделирования поведения человека ставятся и решаются в различных областях, включая исследования в психологии, экономике, социологии, медицине, эпидемиологии, компьютерной безопасности и т.д. [2, 4, 11, 15, 23, 25, 28, 36, 43-45, 64, 65, 68-70, 89, 93, 107, 114, 139, 140, 148, 168, 184, 239, 240. 243]. Часть исследований представляют собой попытки всестороннего моделирования поведения человека как индивида, фокусирующиеся на причинах, мотивах, установках человека (экономическая модель человека [15, 62, 63]). С другой стороны, вопросы моделирования поведения человека можно отнести к более широкой, комплексной области исследований, посвященной анализу и моделированию поведения в контексте интеллектуальных систем [14, 40, 53, 72].

1.1.1. Агентное моделирование. Если рассматривать поведение как взаимодействие с внешней средой, реакцию в зависимости от внешних факторов, то к возможным способам моделирования поведения человека можно отнести, например, такое направление в искусственном интеллекте как агентное (многоагентное) моделирование.

Агентное моделирование (agent-based model (ABM))— метод имитационного моделирования, исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом [20-22, 66, 104, 156, 197]. Агентами могут быть люди, компании, транспортные средства, животные и т.д., другими словами, некоторая сущность, которая воспринимает среду с помощью датчиков, воздействует на эту среду, способна к обучению и обладает автономностью [66]. Поведение агентов описывается на индивидуальном уровне, а поведение системы возникает как общий результат деятельности множества агентов. Агентная модель представляет реальный мир в виде многих отдельно специфицируемых агентов, каждый из которых взаимодействует с другими агентами. В процессе функционирования агент может изменить как внешнюю среду, так и свое поведение.

Один из примеров [156] использования агентного моделирования — потребительский рынок. В сложной среде рынка выбор покупателя зависит от индивидуальных особенностей, сети контактов, а также внешних влияний, которые лучше всего описываются с помощью агентного моделирования. Другой стандартный пример — это эпидемиология. Здесь агенты это люди, которые могут быть носителями инфекции, переболевшими или восприимчивыми к болезни. Агентное моделирование поможет описать социальные сети, контакты между людьми и в итоге получить объективные прогнозы распространения инфекции.

В настоящее время агентные и мультиагентные системы получили широкое применение в таких областях как системы телекоммуникации, поисковые

системы, логистика, компьютерные игры, САПР, системы управления и контроля [1, 20-22,32,37, 66, 67, 103-105,159,186,197, 216, 217, 230, 246, 263].

1.1.2. Статистические модели. Теоретические модели, построенные только на предположениях исследователя, более грубы, учитывают меньшее число факторов, требуют определенных допущений и упрощений. Однако результаты расчета по ним легче обозримы, они более явно отражают присущие явлению основные закономерности, такие модели более приспособлены для поиска оптимальных решений [33]. Статистические модели более соответствуют данным, не требуют столь грубых допущений, позволяют учесть большое число факторов. Но и у них есть свои недостатки: громоздкость, плохая обозримость, невозможность включения фактора в модель при отсутствии данных, описывающих этот фактор. Классические подходы к построению статистических моделей рассмотрены, например, в работах [144, 145, 224] и многих других.

Примеров моделирования поведения на основе статистических данных много (например, [30, 98, 184, 208, 253] и др.). Одним из наиболее распространенных способов построения моделей для объяснения изменчивости некоторой переменной У в зависимости от изменений предикторов X являются регрессионные модели. В общем случае регрессионная модель представляется в виде Y « /(X), где /(X) может быть как линейной (тогда говорят о линейной регрессии), так и нелинейной функцией. Целью регрессионного анализа является построение подходящей модели и определение коэффициентов, соответствующих данным. Существуют различные методы как выбора модели, так и оценки ее параметров. Однако использование регрессионных моделей имеет ряд ограничений. В частности, применение методов возможно только при определенных предположениях в отношении используемых данных. Например, в случае линейной регрессии предполагается, что данные распределены нормально, ошибки являются независимыми нормально распределенными случайными величинами с нулевым математическим ожиданием [8, 145, 208,218].

Как отмечено выше, используемый способ получения данных об эпизодах поведения обладает рядом достоинств, но таким образом невозможно собрать сведения о большом количестве эпизодов поведения одного респондента, в отличие от технических систем, позволяющих производить измерения с требуемой периодичностью. Таким образом, востребованной оказывается математическая методология для небольшой выборки. В работах [154, 198, 242, 248, 251, 262], описывающих методы анализа на основе небольших выборок, «небольшой» считается выборка, включающая 10-30 наблюдений, в то время как при изучении поведения речь часто идет о 3-5 эпизодах [185]. Существующие решения проблемы малой выборки в большинстве случае представляют собой модификации конкретного метода, решающего определенный узкий круг проблем [154, 242, 248, 262], в частности, ряд работ посвящен различным методам факторного анализа в условиях малой выборки [200, 233,251].

Кроме того, ограниченное число ответов приводит к неполноте данных. Исходные данные, то есть сведения об интервалах между несколькими последними эпизодами поведения, о минимальном и максимальном интервалах между последовательными эпизодами поведения, являются членами вариационного ряда. Однако в этом случае мы получаем вариационный ряд «с пропусками» — известен его первый член (минимальный интервал Ттт), последний (максимальный интервал Гтах) и несколько элементов между ними, причем с неизвестными номерами. В случае трех интервалов мы рассматриваем элементы Т1П, Т}п, Ткп. причем общее число п эпизодов поведения за

Список литературы диссертационного исследования кандидат наук Суворова, Алёна Владимировна, 2013 год

Список литературы

1. Азаров A.A., Тулупьева Т.В., Тулупьев A.JI. Агентоориентированный подход к моделированию комплекса «Информационная Система -Персонал - Злоумышленник» в задачах оценки защищенности от социо-инженерных атак // Список-2012: Материалы всероссийской научной конференции по проблемам информатики (25-27 апреля 2012 г., Санкт-Петербург). СПб.: ВВМ, 2012. С. 374-377.

2. Азаров A.A., Тулупьева Т.В., Фильченков A.A., Тулупьев A.J1. Вероятностно-реляционный подход к представлению модели комплекса «информационная система - персонал - критичные документы» // Труды СПИИРАН. 2012. Вып. 1(20). С. 57-71.

3. Анализ временных рядов URL: http://www.statsoft.ru/home/textbook/modules/st-timser.html (дата обращения 15.01.2013)

4. Афанасьев И.В. Возможности математического моделирования поведения аудитории с помощью динамических математических моделей // Актуальные проблемы современной науки. 2006. № 4. С. 212-218.

5. Афанасьева Т.В., Ярушкина Н.Г. Анализ эффективности модели нечеткой тенденции в прогнозировании временных рядов // Автоматизация процессов управления. 2011. №4. С. 43^9.

6. Берштейн J1.C., Ковалев С.М., Муравский A.B. Модели представления нечетких темпоральных знаний в базах временных рядов // Известия Российской академии наук. Теория и системы управления. 2009. № 4. С. 130-141.

7. Бокс Дж., Дженкинс Т. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. 406 с.

8. Боровков A.A. Математическая статистика. Новосибирск: Наука; Издательство института информатики, 1997. 772 с.

9. Боровков A.A. Теория вероятностей. М.: Наука, 1976. 352 с.

10. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. 13-е изд. М.: Наука, Гл. ред. физ.-мБронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. 13-е изд. М.: Наука, Гл. ред. физ.-мат. лит., 1986. 544 с.ат. лит., 1986. 544 с.

11. Былкова Н.К., Посвалюк Н.Э., Савин С.З., Юсупова М.В. Информационное моделирование медико-социальных аспектов поведения потребителей психоактивных веществ // Успехи современного естествознания № 11 2004. С. 88-89

12.

13

14,

15,

16

17,

18,

19

20,

21.

22,

23,

24,

25.

26,

Бэстенс Д.Э., Ван ден Берг В.М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВПД997. 236 с. Вентцель Е.С. Теория вероятностей. 4-е изд. М.: Наука, 1969. 576 с. Виноградов А.Н., Жилякова Л.Ю., Осипов Г.С. Динамические интеллектуальные системы. Моделирование целенаправленного поведения // Известия Российской академии наук. Теория и системы управления. 2003. № 1. С. 87-94. Галочкин И.В. Социальные предпочтения в экономическом поведении: методы измерения и моделирования // Экономика и математические методы. 2010. Т. 46. № 3. С. 82-92.

Главные компоненты временных рядов: метод «Гусеница» / Под редакцией Данилова Д.Л. и Жиглявского A.A.. СПб.: СПбГУ, 1997. 308 с.

Голяндина Н.Э. Метод 'Тусеница''-SSA: анализ временных рядов: Учебное пособие. СПб:, 2004. 76 с.

Голяндина Н.Э. Метод "Гусеница''-SSA: прогноз временных рядов: Учебное пособие. СПб:, 2004. 52 с.

Горбань А. Н. Обучение нейронных сетей. М.: СП «Параграф», 1990. 159 с. Городецкий В.И. Теория, модели, инфраструктуры и языки спецификации командного поведения автономных агентов. Обзор (часть 1) // Искусственный интеллект и принятие решений. 2011. № 2. С. 19-30.

Городецкий В.И. Теория, модели, инфраструктуры и языки спецификации командного поведения автономных агентов. Обзор (часть 2) // Искусственный интеллект и принятие решений. 2011. № 3. С. 34-47.

Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков C.B. Открытые сети агентов // Труды СПИИРАН. 2007. № 4. С. 11-35.

Гребенников Р.В. Разработка индивидуальных характеров поведения при моделировании толпы // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2008. № 2. С. 107-110. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 2002. 306 с.

Жилкин С.Д. Результаты применения алгоритмов моделирования программного обеспечения с целью выявления аномалий поведения // Информационное противодействие угрозам терроризма. 2010. № 14. С. 106-110.

Заде JL Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976.

27. Заде JI. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных/интеллектуальных систем // Новости искусственного интеллекта. 2001. № 2-3(44^15). С. 7-11.

28. Задков A.B. Потребительское поведение: составляющие, методы изучения и моделирования // Маркетинг и маркетинговые исследования. 2009. № 3. С. 240-247.

29. Зельтерман Д., Суворова A.B., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Тулупь-ева Т.В., Гро Л., Хаймер Р. Оценка интенсивности социально-значимого поведения по смещенной выборке длин интервалов между наблюдением и последним эпизодом в условиях дефицита информации // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов VI-й Международной научно-технической конференции (Коломна, 16-19 мая 2011 г.). В 2-х т. Т. 2. М.: Физматлит, 2011. С. 980-991.

30. Зельтерман Д., Суворова A.B., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Тулупь-ева Т.В., Гро Л.Е., Хаймер Р. Диагностика регрессионных уравнений в анализе интенсивности рискованного поведения по его последним эпизодам // Труды СПИ-ИРАН. 2011. Вып. 17. С. 33-46.

31. Зельтерман Д., Тулупьев А.Л., Суворова A.B., Пащенко А.Е., Мусина В.Ф., Тулупь-еваТ.В., Красносельских Т.В., Гро Л., Хаймер Р. Обработка систематической ошибки, связанной с длиной временных интервалов между интервью и последним эпизодом в гамма-пуассоновской модели поведения // Труды СПИИРАН. 2011. Вып. 16. С. 160-185.

32. Иващенко A.B., Карсаев О.В., Скобелев П.О., Царев A.B., Юсупов P.M. Мультиа-гентные технологии для разработки сетецентрических систем управления // Известия Южного федерального университета. Технические науки. 2011. Т. 116. № 3. С. 11-23.

33. Каледин O.E. Математическое моделирование управляемых процессов на основе статистических данных: дисс. ... канд. ф.-м. наук: 05.13.18. Саранск, 2011. 127 с.

34. Канторович Г.Г. Анализ временных рядов // Экономический журнал ВШЭ. 2002. № 1-2.

35. Ковалев С.М. Гибридные коннекционистские модели извлечения темпоральных знаний // Интегрированные модели и мягкие вычисления в искусственном интеллекте. V-я Международная научно-практическая конференция. Сборник научных трудов. В 2-х т. Т. 1. С. 30^0.

36. Корниенко A.A., Корниенко A.B. Логико-лингвистическое моделирование поведения социально-экономических субъектов // Известия Томского политехнического университета. 2005. Т. 308. № 3. С. 173-177.

37. Котенко И.В. Многоагентное моделирование для исследования механизмов защиты информации в сети Интернет // Имитационное моделирование. Теория и практика (ИММОД). Сборник докладов. СПб., 2009. С. 38^7. Также доступно URL: http://www.spiiras.nw.ru/files/conferences/IMMOD-2009/IMMOD-2009-l .pdf (дата обращения 15.01.2013).

38. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.

39. Крамер Г. Математические методы статистики. М.: Мир, 1975. 648 с.

40. Кузнецов О.П. Интеллектуализация поддержки управляющих решений и создание интеллектуальных систем // Проблемы управления. 2009. № 3. С. 64-72.

41. Лавренов A.B., Суворова A.B. Обработка неопределенности сведений об интервалах между эпизодами поведения респондента // Научная сессия НИЯУ МИФИ-2011. Аннотации докладов. В 3 т. Т. 3: Стратегические информационные технологии в атомной энергетике и промышленности. Проблемы информационной безопасности в системе высшей школы. Экономические и правовые проблемы инновационного развития атомной отрасли. Образование в Национальном исследовательском ядерном университете. М.: НИЯУ МИФИ, 2011. С. 88.

42. Лавренов A.B., Суворова A.B., Пащенко А.Е., Тулупьев А.Л. Особенности обработки данных и знаний об эпизодах социально-значимого поведения в окрестности интервью // Труды СПИИРАН. 2010. Вып. 15. С. 246-262.

43. Лавренов A.B., Суворова A.B., Пащенко А.Е., Тулупьева Т.В., Тулупьев А.Л. Веро-ятностно-нечеткостная модель социально-значимого поведения в случае неточных данных об его эпизодах, предшествующих интервью // Гибридные и синергетиче-ские интеллектуальные системы: теория и практика. Материалы 1-го международного симпозиума. Т. 2. Калининград: Изд-во БФУ им. И.Канта, 2012. С. 19-29.

44. Лукашова Е.В. Постановка проблемы моделирования потребительского поведения с позиции системного анализа // Известия Санкт-Петербургского университета экономики и финансов. 2008. № 1. С. 116-119.

45. Лушин В.Б., Мусина В.Ф., Тулупьева Т.В., Суворова A.B., Тулупьев А.Л. Анализ латентных классов в социально-эпидемиологических исследованиях при дефиците информации // Гибридные и синергетические интеллектуальные системы: теория и практика. Материалы 1-го международного симпозиума. Т. 2. Калининград: Изд-во БФУ им. И.Канта, 2012. С. 263-269.

46. Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е изд. М.: Издательский дом "Вильяме", 2005. 864 с.

47. Методы и модели анализа временных рядов : метод, указания к лаб. работам / сост. С.И. Татаренко. Тамбов: Изд-во Тамб. гос. техн. ун-та, 2008. 32 с.

48. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки экономических рисков // Труды СПИИРАН. 2013. Вып. 25. С. 235-254.

49. Невзоров В. Б. Рекорды. Математическая теория. М.: ФАЗИС, 2000. 244 с.

50. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. М.: Наука, 1970.707 с.

51. Неопределенность в экономике. 14 определений понятия неопределенность. Неопределенность ее виды. URL: http://www.beintrend.ni/menedzhment/

52. Нечеткие гибридные системы. Теория и практика / под ред. Ярушкиной Н.Г. - М.: Физматлит, 2007. 208 с.

53. Осипов Г.С. Планирование и моделирование целенаправленного поведения в интеллектуальных системах // Вестник Российского университета дружбы народов. Серия: Прикладная и компьютерная математика. 2002. № 1. С. 51-61.

54. Пащенко А. Е., Тулупьев А. Л., Тулупьева Т. В. Базисная темпоральная онтология для обработки ответов об участии в рискованном поведении, связанном с передачей ВИЧ // Научная сессия МИФИ-2008. Сб. научн. трудов. В 15 томах. Т. 10. Интеллектуальные системы и технологии. М.: МИФИ, 2008. С. 109-111.

55. Пащенко А.Е., Суворова A.B. Программный комплекс для экспертного оценивания интенсивности поведения респондента в условиях дефицита информации // Интегрированные модели, мягкие вычисления, вероятностные системы и комплексы программ в искусственном интеллекте. Научно-практическая конференция студентов, аспирантов, молодых ученых и специалистов (Коломна, 26-27 мая 2009 г.). Научные доклады. В 2-х т. Т. 2. М.: Физматлит, 2009. С. 220-241.

56. Пащенко А.Е., Суворова A.B., Тулупьева Т.В. Тулупьев А.Л. Вероятностные распределения порядковых статистик в анализе сверхкоротких нечетких и неполных временных рядов // Труды СПИИРАН. 2009. Вып. 10. СПб.: Наука, 2009. С. 184207.

57. Пащенко А.Е., Тулупьев А.Л., Николенко С.И. Моделирование заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения // Изв. Высш. учеб. заведений: Приборостроение, 2006. №11. С. 33-34.

58. Пащенко А.Е., Тулупьев А.Л., Николенко С.И. Статистическая оценка вероятности заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения // Труды СПИИРАН, 2006. Вып. 3, т.2. С. 257-268.

59. Пащенко А.Е., Тулупьев A.JL, Суворова A.B., Тулупьева Т.В. Сравнение параметров угрозообразующего поведения в разных группах на основе неполных и неточных данных // Труды СПИИРАН. 2009. Вып. 9. СПб.: Наука, 2009. С. 252-261.

60. Пащенко А.Е., Тулупьев A.JL, Тулупьева Т.В., Красносельских Т.В., Соколовский Е.В. Косвенная оценка вероятности заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения // Здравоохранение Российской Федерации. 2010. №2. С. 32-35.

61. Пащенко А.Е., Тулупьева Т.В., Суворова A.B., Тулупьев A.JI. Интеллектуальная система для экспертного оценивания интенсивности рискованного поведения в условиях информационного дефицита // Региональная информатика-2008 (РИ-2008). XI Санкт-Петербургская международная конференция. Санкт-Петербург, 22-24 октября, 2008 г.: Материалы конференции / СПОИСУ. СПб., 2009. С. 285-291.

62. Петросян Д.С. Интегративная модель поведения человека // Общественные науки и современность. 2008. № 3. С. 39-51.

63. Петросян Д.С. Концептуальные и математические модели поведения человека как экономического агента // Аудит и финансовый анализ, 2009. № 1.

64. Плавинский C.JL, Баринова А.Н., Разнатовский К.И. Сексуальное поведение, венерические болезни и гетеросексуальная эпидемия ВИЧ-инфекции — некоторые результаты математического моделирования // Российский семейный врач. 2007. Т. 11. №3. С. 30-38.

65. Прохоров С.А. Математическое описание и моделирование случайных процессов. Самара: Самарский гос. аэрокосм, ун-т, 2001. 209 с.

66. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. М.: Издательский дом «Вильяме», 2006. 1408 с.

67. Рыбина Г.В., Паронджанов С.С. Моделирование процессов взаимодействия интеллектуальных агентов в многоагентных системах // Искусственный интеллект и принятие решений. 2008. №3. С. 3-15.

68. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи, методы, примеры. М.: ФИЗМАТЛИТ, 2005. 320 с.

69. Скакун C.B. Математическое моделирование поведения пользователей компьютерных систем // Математичш машини i системи, 2005. № 2. С. 122-129.

70. Соколов С.Н. Моделирование поведения пользователей интернет-ресурсов на основе смеси цепей Маркова // Естественные и технические науки. 2009. № 5. С. 302-305.

71. Степанов Д.В., Мусина В.Ф., Суворова A.B., Тулупьев A.JL, Сироткин A.B., Тулупьева Т.В. Функция правдоподобия с гетерогенными аргументами в идентификации пуассоновской модели рискованного поведения в случае информационного дефицита//Труды СПИИРАН. 2012. Вып. 4(23). С. 157-184.

72. Стефанюк B.JL, Жожикашвили A.B. Наследование свойств категории при переходе от статических систем, использующих знания, к динамическим // Искусственный интеллект и принятие решений. 2008. № 1. С. 4-14.

73. Субъективная вероятность (обзор). URL: http://ru.science.wikia.com (дата обращения 15.12.2012).

74. Суворова A.B. Анализ данных о рекордных интервалах между эпизодами социально-значимого поведения в рамках модели, построенной на основе байесовских сетей доверия // Научная сессия НИЯУ МИФИ-2013. Аннотации докладов. В 3 т. Т.2 Проблемы фундаментальной науки. Стратегические информационные технологии. М.: НИЯУ МИФИ, 2013. С. 329.

75. Суворова A.B. Анализ относительных характеристик сверхкоротких неточных временных рядов // Научная сессия НИЯУ МИФИ-2011. Аннотации докладов. В 3 т. Т. 3: Стратегические информационные технологии в атомной энергетике и промышленности. Проблемы информационной безопасности в системе высшей школы. Экономические и правовые проблемы инновационного развития атомной отрасли. Образование в Национальном исследовательском ядерном университете. М.: НИЯУ МИФИ, 2011. С. 87.

76. Суворова A.B. Гибридные модели оценки параметров социально-значимого поведения по сверхмалой неполной совокупности наблюдений // Труды СПИИРАН. 2013. Вып. 1(24). С. 116-134.

77. Суворова A.B. Латентная переменная в вероятностных графических моделях связей рискованного поведения и его наблюдаемых характеристик // Региональная ин-форматика-2012 (РИ-2012). XIII Санкт-Петербургская международная конференция. Санкт-Петербург, 24—26 октября, 2012 г.: Материалы конференции / СПОИ-СУ. СПб., 2012. С. 296.

78. Суворова A.B. Модели и алгоритмы анализа сверхкоротких неточных временных рядов на основе гранулярных данных и знаний // XVII санкт-Петербургская ассам-

блея молодых ученых и специалистов. Сборник тезисов. СПб.: Издательство РГГ-МУ, 2012. С. 48.

79. Суворова A.B. Моделирование социально-значимого поведения по сверхмалой неполной совокупности наблюдений // Информационно-измерительные и управляющие системы. 2013. №9, т. 11. С. 34-38.

80. Суворова A.B. Обобщение процедур оценивания интенсивности рискованного поведения на гамма-пуассоновскую модель // Научная сессия НИЯУ МИФИ-2012. Аннотации докладов. В 3 т. Т.2 Проблемы фундаментальной науки. Стратегические информационные технологии. М.: НИЯУ МИФИ, 2012. С. 271.

81. Суворова A.B. Подходы к представлению и обработке неопределенности данных и знаний о поведении индивидов // Труды СПИИРАН. 2012. Вып. 23. С. 206-222.

82. Суворова A.B. Представление пуассоновской модели социально-значимого поведения в виде байесовской сети доверия // Современные проблемы математики. Тезисы Международной (44-я Всероссийской) молодежной школы-конференции . Екатеринбург: Институт математики и механики УрО РАН, 2013. С. 333-335.

83. Суворова A.B., Лавренов A.B., Тулупьева Т.В., Тулупьев А.Л., Пащенко А.Е. Моделирование социально-значимого поведения респондентов: аналитическая и численная оценки интенсивности в окрестности интервью при информационном дефиците // Труды СПИИРАН. 2012. Вып. 1 (20). С. 101-115.

84. Суворова A.B., Мусина В.Ф., Тулупьева Т.В., Тулупьев А.Л., Красносельских Т.В., Фильченков A.A., Азаров A.A., Абдала Н. Автоматизированный инструментарий для опроса респондентов об эпизодах рискованного поведения: первичный анализ результатов применения // Труды СПИИРАН. 2013. Вып. 3(26). С. 175-193.

85. Суворова A.B., Пащенко А.Е. Построение математической модели социально-значимого поведения по данным о последних эпизодах // VI Международная научно-практическая конференция молодых специалистов, аспирантов и студентов «Математическое и компьютерное моделирование естественнонаучных и социальных проблем» (22-23 мая 2012 г. Пенза). Сборник статей. Пенза: Приволжский дом знаний,2012. С. 114-117.

86. Суворова A.B., Пащенко А.Е., Тулупьев А.Л., Тулупьева Т.В. Оценка интенсивности рискованного поведения по нечетким рекордным интервалам между его эпизодами // Научная сессия НИЯУ МИФИ-2010. Аннотации докладов. В 3 т. Т. 3: Информационно-телекоммуникационные системы. Проблемы информационной безопасности в системе высшей школы. Экономика, управление и нормативно-правовые вопросы высоких технологий. Инновационные образовательные техноло-

гии в Национальном исследовательском ядерном университете. М.: НИЯУ МИФИ, 2010. С. 63.

87. Суворова A.B., Пащенко А.Е., Тулупьев A.JL, Тулупьева Т.В., Красносельских Т.В. Косвенные измерения интенсивности и моделирование социально-значимого поведения по неполным данным // Сборник трудов международной научно-практической конференции «Моделирование и анализ массовых событий в экономике и социуме» (Санкт-Петербург, 25 ноября 2010 г.). СПб.: Изд-во «JIEMA», 2010. С. 160-163.

88. Суворова A.B., Пащенко А.Е., Тулупьев А.Л., Тулупьева Т.В., Лавренов A.B. Оценка интенсивности поведения для моделирования деятельности индивидов в социальных сетях // Список-2012: Материалы всероссийской научной конференции по проблемам информатики (25-27 апреля 2012 г., Санкт-Петербург). СПб.: ВВМ, 2012. С. 385-391.

89. Суворова A.B., Пащенко А.Е., Тулупьева Т.В. Методика мониторинга угрозообра-зующего поведения для управления социально-эпидемиологическими рисками в условиях неполноты информации // Информационные технологии в управлении (ИТУ-2012). Материалы конференции. СПб.: ОАО «Концерн «ЦНИИ «Электроприбор», 2012. С. 119-123.

90. Суворова A.B., Пащенко А.Е., Тулупьева Т.В. Оценка характеристик сверхкороткого временного ряда по гранулярным данным о рекордных интервалах между событиями // Труды СПИИРАН. 2010. Вып. 12. С. 170-181.

91. Суворова A.B., Пащенко А.Е., Тулупьева Т.В. Тулупьев А.Л. Построение доверительных интервалов оценок интенсивности рискованного поведения на основе неравенства Чебышева // Труды СПИИРАН. 2009. Вып. 10. СПб.: Наука, 2009. С. 107-120.

92. Суворова A.B., Пащенко А.Е., Тулупьева Т.В., Тулупьев А.Л. Представление и обработка гранулярных данных при моделировании связей системы личностных особенностей и социально значимого поведения // Научная сессия НИЯУ МИФИ-2011. Аннотации докладов. В 3 т. Т. 3: Стратегические информационные технологии в атомной энергетике и промышленности. Проблемы информационной безопасности в системе высшей школы. Экономические и правовые проблемы инновационного развития атомной отрасли. Образование в Национальном исследовательском ядерном университете. М.: НИЯУ МИФИ, 2011. С. 87.

93. Суворова A.B., Тулупьев A.JI., Пащенко А.Е., Тулупьева Т.В., Красносельских Т.В. Анализ гранулярных данных и знаний в задачах исследования социально значимых видов поведения // Компьютерные инструменты в образовании. №4. 2010. С. 30-38.

94. Суворова A.B., Тулупьев А.Л., Сироткин A.B., Тулупьева Т.В. Оценивание относительных характеристик рискованного поведения с помощью модели, построенной на основе байесовских сетей доверия // Региональная информатика-2012 (РИ-2012). XIII Санкт-Петербургская международная конференция. Санкт-Петербург, 24—26 октября, 2012 г.: Материалы конференции / СПб.: СПОИСУ, 2012. С. 296-297.

95. Суворова A.B., Тулупьев А.Л., Тулупьева Т.В., Пащенко А.Е. Эвристическая оценка интенсивности поведения по рекордным интервалам между эпизодами: обработка неточности ответов респондентов // XV Международная конференция по мягким вычислениям и измерениям. SCM-2012. (25-27 июня 2012 г. Санкт-Петербург). Сборник докладов. 2012. Т. 2. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2012. С. 101-104.

96. Суворова A.B., Тулупьева Т.В., Сироткин A.B. Построение вероятностных графических моделей социально-значимого поведения с учетом особенностей гранулярных данных о рекордных интервалах между его эпизодами // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов VII-й Международной научно-технической конференции (Коломна, 20-22 мая 2013 г.). М.: Физматлит. Т.З. С. 1376-1385.

97. Суворова A.B., Тулупьева Т.В., Тулупьев А.Л. Модификация пуассоновской модели при оценке интенсивности рискованного поведения // Научная сессия НИЯУ МИФИ-2012. Аннотации докладов. В 3 т. Т.2 Проблемы фундаментальной науки. Стратегические информационные технологии. М.: НИЯУ МИФИ, 2012. С. 267.

98. Суворова A.B., Тулупьева Т.В., Тулупьев А.Л. Обобщенная линейная регрессионная модель для прогноза временного интервала между последним эпизодом рискованного поведения и моментом интервью на основе социально-демографических и психологических особенностей // Труды СПИИРАН. 2012. Вып. 2 (21). С. 80-94.

99. Суворова A.B., Тулупьева Т.В., Тулупьев А.Л., Пащенко А.Е., Сироткин A.B. Особенности моделирования угрозообразующего поведения по неполным данным о его эпизодах. // Материалы Второй Международной научно-практической конференции "Социальный компьютинг, технологии развития, социально-гуманитарные эффекты" (ISC-13): сборник статей и тезисов. М.: Изд-во, 2013. С. 198-206.

100. Суворова A.B., Тулупьева Т.В., Тулупьев А.Л., Сироткин A.B. Идентификация параметров вероятностных графических моделей как моделей нечетких стохастических процессов, представляющих социально-значимое поведение индивидов //

Научная сессия НИЯУ МИФИ-2013. Аннотации докладов. В 3 т. Т.2 Проблемы фундаментальной науки. Стратегические информационные технологии. М.: НИЯУ МИФИ, 2013. С. 328.

101. Суворова A.B., Тулупьева Т.В., Тулупьев A.JI., Сироткин A.B. Применение байесовских сетей доверия для моделирования угрозообразующего поведения индивида по неполным и неточным данным // Тринадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2012 (16-20 октября 2012 г., г. Белгород). Труды конференции. Т. 3. Белгород: Изд-во БГТУ, 2012. С. 292-299.

102. Суворова A.B., Тулупьева Т.В., Тулупьев A.JL, Сироткин A.B., Пащенко А.Е. Вероятностные графические модели социально-значимого поведения индивида, учитывающие неполноту информации // Труды СПИИРАН. 2012. Вып. 3 (22). С. 101-112.

103. Тарасов В.Б. От логических к диалогическим решеткам и бирешеткам: использование в теории агентов // Вестник Ростовского государственного университета путей сообщения. 2011. № 3. С. 129-141.

104. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. М.: Эдиториал УРСС, 2002. 352 с.

105. Тарасов В.Б., Афонин П.В., Картежников Д. Модель формирования структур объединений виртуальных предприятий на основе популяции эволюционирующих агентов // Известия Южного федерального университета. Технические науки. 2007. Т. 73. № 1. С. 55-58.

106. Теория и практика нечетких гибридных систем/Под ред. Н.Г. Ярушкиной. М.: ФИЗМАТЛИТ, 2007. 208 с.

107. Трифонова E.H. Учет объективных и субъективных факторов в процессе моделирования поведения потребителей продовольственных товаров // Региональные агро-системы: экономика и социология. 2008. № 1. С. 10-10.

108. Тулупьев А. Л. Алгебраические байесовские сети: система операций локального логико-вероятностного вывода // Информационно-измерительные и управляющие системы. 2009. №4. С. 41^14.

109. Тулупьев А. Л., Пащенко А. Е., Суворова A.B., Тулупьева Т. В. Оценки характеристик рискованного поведения в условиях дефицита информации // Научная сессия МИФИ-2009. Аннотации докладов. В 3 т. Т. 3: Информационно-телекоммуникационные системы. Проблемы информационной безопасности в системе высшей школы. Экономика, инновации и управление. М.: МИФИ, 2009. С. 85.

110. Тулупьев A. JL, Сироткин А. В., Николенко С. И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петерб. ун-та, 2009. 400 с.

111. Тулупьев A.JI. Алгебраические байесовские сети: глобальный логико-вероятностный вывод в деревьях смежности: Учеб. пособие. СПб.: СПбГУ; ООО Издательство «Анатолия», 2007. 40 с. (Сер. Элементы мягких вычислений).

112. Тулупьев A.JI. Алгебраические байесовские сети: локальный логико-вероятностный вывод: Учеб. пособие. СПб.: СПбГУ; ООО Издательство «Анатолия», 2007. 80 с. (Сер. Элементы мягких вычислений).

ИЗ. Тулупьев A.JI. Алгебраические байесовские сети: система операций глобального логико-вероятностного вывода // Информационно-измерительные и управляющие системы. 2010. №11. С. 65-72.

114. Тулупьев A.JI., Азаров A.A., Пащенко А.Е. Информационные модели компонент комплекса «Информационная система - персонал», находящегося под угрозой со-циоинженерных атак // Труды СПИИРАН. 2010. Вып. 3 (14). С. 50-57.

115. Тулупьев A.JI., Николенко С.И., Сироткин A.B. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 607 с.

116. Тулупьев A.JI., Пащенко А.Е., Тулупьева Т.В., Суворова A.B., Мусина В.Ф. Оценка интенсивности угрозообразующего поведения пользователей на основе неполных и неточных данных: гамма-пуассоновская модель поведения // VII Санкт-Петербургская межрегиональная конференция «Информационная безопасность регионов России (ИБРР-2011)», Санкт-Петербург, 26-28 октября 2011 г.: Материалы конференции. СПб.: СПОИСУ, 2011. С. 173-174.

117. Тулупьев A.JI., Суворова A.B., Пащенко А.Е. Программа для учёта неточных сведений об угрозообразующем поведении Fuzzy Data Register for Risky Behavior, Version 1 (F.D.R.R.B. v. 1) // Роспатент. Свид. о гос. per. прогр. для ЭВМ № 2010613161 от 14.05.2010.

118. Тулупьев А.Л., Суворова A.B., Пащенко А.Е. JSP-сервер удаленного доступа к системе для оценки интенсивности поведения респондента на основе неточных и неполных сведений о его последних эпиходах // Свид. о регистрации электронного ресурса, отвечающего требованиям новизны и приоритетности, (ОФЭРНиО ИИО ГАН РАО) № 15762 от 20.05.2010.

119. Тулупьев А.Л., Суворова A.B., Пащенко А.Е. Автоматизированное рабочее место эксперта для внесения сведений о поведении респондентов и расчета оценок его интенсивности (с локальным доступом к базе данных) // Свид. о регистрации элек-

тронного ресурса, отвечающего требованиям новизны и приоритетности, (ОФЭР-НиО ИИО ГАН РАО) № 15764 от 20.05.2010.

120. Тулупьев А.Д., Суворова A.B., Пащенко А.Е. База данных неточных ответов респондентов об участии в угрозообразующем поведении Fuzzy Answers on Risky Behavior Data Base, Version 1 (F.A.R.B./DB v. 1) // Роспатент. Свид. о гос. per. прогр. для ЭВМ № 2010620275 от 14.05.2010.

121. Тулупьев A.JL, Суворова A.B., Пащенко А.Е. Базы данных для хранения оценок интенсивности и сведений о последних эпизодах поведения респондентов // Свид. о регистрации электронного ресурса, отвечающего требованиям новизны и приоритетности, (ОФЭРНиО ИИО ГАН РАО) № 15763 от 20.05.2010.

122. Тулупьев A.JL, Суворова A.B., Пащенко А.Е. Интеллектуальная система для поддержки принятия решений экспертов по оценке интенсивности поведения респондентов на основе неполных и неточных сведений о его последних эпизодах (информационная карта, свидетельство) № госуд. регистрации 50200900180 от 22.01.2009. // Свид. об отраслевой регистрации разработки, отвечающей требованиям новизны, приоритетности и научности, (ОФАП Госкоорцентр Минобрауки РФ) № 12176 от 20.01.2009.

123. Тулупьев A.JI., Суворова A.B., Пащенко А.Е. Интеллектуальная система для поддержки принятия решений экспертов по оценке поведения респондентов на основе сведений о максимальном и минимальном интервалах между эпизодами указанного поведения // Свид. о регистрации электронного ресурса, отвечающего требованиям новизны и приоритетности, (ОФЭРНиО ИИО ГАН РАО) № 15765 от 20.05.2010.

124. Тулупьев A.JL, Суворова A.B., Пащенко А.Е. Программа для идентификации параметров интенсивности и риска в условиях неопределенности на основе рекордных порядковых статистик в моделях угрозообразующего поведения Record-Based Uncertain Risk-&-Rate Calculator (R.B.U.R.-&-R.C.) // Роспатент. Свид. о гос. per. прогр. для ЭВМ № 2010614266 от 30.06.2010.

125. Тулупьев A.JL, Суворова A.B., Пащенко А.Е. Программа для расчёта нечётких оценок интенсивности угрозообразующего поведения и риска, с ним связанного, Fuzzy Risk-&-Rate Calculator, Version 2(F.R.-&-R.C. v.2) // Роспатент. Свид. о гос. per. прогр. для ЭВМ № 2010614267 от 30.06.2010.

126. Тулупьев A.JL, Суворова A.B., Пащенко А.Е. Программа для расчёта нечётких оценок интенсивности угрозообразующего поведения и риска, с ним связанного, Fuzzy Risk-&-Rate Calculator, Version 2(F.R.-&-R.C. v.2) // Роспатент. Свид. о гос. per. прогр. для ЭВМ № 2010614267 от 30.06.2010.

127. Тулупьев A.J1., Суворова A.B., Тулупьева Т.В., Пащенко А.Е. Косвенные оценки и сравнение параметров угрообразующего поведения в разных группах по неполным и неточным данным // Международная конференция по мягким вычислениям и измерениям. Сборник докладов. 2009. Т. 2. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2009. С. 110-114.

128. Тулупьева Т.В., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Азаров A.A., Жук С.Н., Азаров A.A., Суворова A.B., Сироткин A.B., Фильченков A.A. Отчет о научно-исследовательской работе «Количественные модели ВИЧ-рискованного поведения в контексте психологической защиты и других адаптивных стилей» (заключительный), инвентарный № 02201259422 от 2012.06.26, по теме «Взаимосвязь адаптивных стилей ВИЧ-инфицированных и степени рискованности их поведения», регистрационный № 01201262071. СПб.: СПИИРАН, 2012. 132 с. (Депонировано в ЦИТиС.)

129. Тулупьева Т.В., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Азаров A.A., Жук С.Н., Казакова О.С., Красносельских Т.В., Сироткин A.B., Суворова A.B., Фильченков A.A. Отчет о научно-исследовательской работе «Классификация ответов респондентов о последних эпизодах рискованного поведения и косвенная оценка его интенсивности» (заключительный), инвентарный № 02201259425 от 2012.06.26, по теме «Моделирование и измерение количественных характеристик ВИЧ-рискованного поведения на основе обработки ответов респондентов», регистрационный № 01201262070. СПб.: СПИИРАН, 2012. 34 с. (Депонировано в ЦИТиС.)

130. Тулупьева Т.В., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Азаров A.A., Жук С.Н., Казакова О.С., Красносельских Т.В., Сироткин A.B., Суворова A.B., Фильченков A.A. Отчет о научно-исследовательской работе «Взаимосвязь психологической защиты и психологических особенностей в юношеском возрасте. Психологические портреты по ведущему виду психологической защиты» (заключительный), инвентарный № 02201259424 от 2012.06.26, по теме «исследование особенностей психологической защиты в юношеском возрасте», регистрационный № 01201262069. СПб.: СПИИРАН, 2012. 44 с. (Депонировано в ЦИТиС.)

131. Тулупьева Т.В., Пащенко А.Е., Мусина В.Ф., Тулупьев А.Л., Жук С.Н., Азаров A.A., Суворова A.B., Сироткин A.B., Фильченков A.A. Отчет о научно-исследовательской работе «Опросный инструментарий для выявления особенностей рискованного поведения в контексте адаптивных стилей и анализ результатов пилотного исследования» (промежуточный), инвентарный № 02201259423 от 2012.06.26, по теме «Взаимосвязь адаптивных стилей ВИЧ-инфицированных и сте-

пени рискованности их поведения», регистрационный № 01201262071. СПб.: СПИИРАН, 2012. 78 с. (Депонировано в ЦИТиС.)

132. Тулупьева Т.В., Пащенко А.Е., Тулупьев A.JL, Голянич В.М. Модели ВИЧ-рискованного поведения в контексте психологической защиты и адаптации // Вестник СПбГУ. 2010. Серия 12. Вып. 1. С. 95-104.

133. Тулупьева Т.В., Пащенко А.Е., Тулупьев A.JL, Красносельских Т.В., Казакова О.С. Модели ВИЧ-рискованного поведения в контексте психологической защиты и других адаптивных стилей. СПб.: Наука, 2008. 140 с.

134. Тулупьева Т.В., Тулупьев A.JL, Азаров A.A., Пащенко А.Е. Психологическая защита как фактор уязвимости пользователя в контексте социоинженерных атак // Труды СПИИРАН. 2011. Вып. 18. С. 74-92.

135. Тулупьева Т.В., Тулупьев А.Л., Пащенко А.Е. Оценка интенсивности поведения респондента в условиях информационного дефицита // Труды СПИИРАН. Вып. 7. СПб.: Наука, 2008. С. 239-254

136. Тулупьева Т. В., Тулупьев А. Л., Пащенко А. Е., Сироткин А. В., Столярова Е. В. Социо-психологические механизмы регуляции и адмиссивность поведения личности: Учеб.-метод. пособие. СПб.: Речь, 2007. 32 с.

137. Уткин Л.В. Анализ риска и принятие решений при неполной информации. СПб.: Наука, 2007. 404 с.

138. Феллер В. Введение в теорию вероятностей и ее приложения. М.: Мир, 1984. 730 с.

139. Фильченков A.A. Алгебраическая байесовская сеть как основа для медицинской диагностической модели // «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития». Сборник трудов I Международной интернет-конференции. Казань: Из-во «Казанский университет». 2012.С. 162-166.

140. Фильченков A.A. Математическое моделирование диагностической модели защищенности информационной системы на основе комбинирования неполной и неточной аналитической информации // VII Санкт-Петербургская межрегиональная конференция «Информационная безопасность регионов России (ИБРР-2011)». Материалы конференции. СПб.: СПОИСУ.2011. С. 175-176.

141. Фильченков A.A. Меры истинности и вероятностные графические модели для представления знаний с неопределенностью // Труды СПИИРАН. 2012. Вып. 23. С. 254-295.

142. Хованов Н.В. Анализ и синтез показателей при информационном дефиците. СПб.: Изд-во СПбГУ, 1996. 196 с.

143,

144,

145,

146

147

148

149

150

151

152

153

154

155

Хованов Н.В. Метод рандомизированных траекторий в задачах оценки функциональной зависимости // Труды СПИИРАН. 2009. Вып. 9. СПб.: Наука, 2009. С. 262-279

Ширяев А.Н. Вероятность: Учеб. пособ. для вузов. 2-е изд. М.: Наука. Гл. ред. физ,-мат. лит., 1989. 640 с.

Ширяев Н. Основы стохастической финансовой математики В 2-х т.-М.: ФАЗИС, 1998.

Шугай Ю.С. Разработка нейросетевых алгоритмов анализа многомерных временных рядов и их применение при исследовании солнечно-земных связей: дисс... к.ф.-м.н.: 05.13.18. М., 2006. 137 с.

Экспертные системы. URL: http://www.aiportal.ru/articles/expert-systems/expert-systems.html.

Юсупов P.M., Соколов Б.В. Имитационное моделирование и его применение в науке и промышленности // Вестник Российской академии наук. 2008. Т. 78. № 5. С. 471^72.

Ярушкина Н. Г., Афанасьева Т. В., Перфильева И. Г. Интеллектуальный анализ временных рядов: Учебное пособие. Ульяновск: УлГТУ, 2010. 320 с. Ярушкина Н.Г. Современный интеллектуальный анализ нечетких временных рядов // Интегрированные модели и мягкие вычисления в искусственном интеллекте. V-я Международная научно-практическая конференция. Сборник научных трудов. В 2-х т. Т. 1. С. 19-29.

Ярушкина Н.Г., Перфильева И.Г., Афанасьева Т.В. Интегральный метод нечеткого моделирования и анализа нечетких тенденций // Автоматизация процессов управления. 2010. №2. С. 59-63.

Adams J., Moody J., Morris M. Sex, Drugs, and Race: How Behaviors Differentially Contribute to the Sexually Transmitted Infection Risk Network Structure // American Journal of Public Health. 2013, Vol 103, No. 2. P. 322-329. AgenaRisk Bayesian network tool. URL: http://www.agenarisk.com Andonie R., Fabry-Asztalos L., Badi' Abdul-Wahid C., Abdul-Wahid S., Barker G.I., Magill L.C. Fuzzy ARTMAP Prediction of Biological Activities for Potential HIV-1 Protease Inhibitors Using a Small Molecular Data Set // IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2011, Vol. 8, No. 1. P. 80-93. Anupindi R., Dada M., Gupta S. Estimation of Consumer Demand with Stock-Out Based Substitution: An Application to Vending Machine Products // Marketing Science. 1998. Vol. 17, No. 4. P. 406—423.

156. Anylogic Simulation Software. URL: http://www.anylogic.com/ (дата обращения 15.01.2013)

157. Atanassov К. Intuitionistic Fuzzy Sets // Fuzzy Sets and Systems. 1986. Vol. 20. P.87-96.

158. Atanassov K. More on Intuitionistic Fuzzy Sets // Fuzzy Sets and Systems. 1989. Vol. 33. P.37^5.

159. Axelrod R., Tesfatsion L. On-Line Guide for Newcomers to Agent-Based Modeling in the Social Sciences URL: http://www2.econ.iastate.edu/tesfatsi/abmread.htm

160. Azadeh A., Saberi M., Gitiforouz A. An integrated simulation-based fuzzy regressiontime series algorithm for electricity consumption estimation with non-stationary data // Journal of the Chinese Institute of Engineers, 2011, 34:8. P. 1047-1066.

161. Bailly N., Maitre I., Amanda M., Herve C., Alaphilippe D. The Dutch Eating Behaviour Questionnaire (DEBQ). Assessment of eating behaviour in an aging French population // Appetite, 2012. Vol. 59. P. 853-858.

162. Baldi P., Rosen-Zvi M. On the relationship between deterministic and probabilistic directed Graphical models: From Bayesian network to recursive networks // Neural Networks. 2005. No. 18. P. 1080-1086.

163. Batyrshin I. Up and Down Trend Associations in Analysis of Time Series Shape Association Patterns // Lecture Notes on Computer Science. 2012. Vol. 7329. P. 246-254.

164. Baudrit C., Cousco I., Dubois D. Joint propagation of propability and possibility in risk analysis: Towards a formal framework // International Journal of Approxomate Reasoning. 2007. Vol. 45. P.82-105.

165. Bekker A., Roux J., Pham-Gia T. Sankhya:The type I distribution of the ratio of independent "Weibullized" generalized beta-prime variables // Stat Papers. 2009. Vol. 50. P.323-338.

166. Bennett J., Greene G., Schwartz-Barcott D. Perceptions of emotional eating behavior. A qualitative study of college students // Appetite. 2013. Vol. 60. P. 187-192.

167. Bernat D., Maldonado-Molina M., Hyland A., Wagenaar A. Effects of Smoke-Free Laws on Alcohol-Related Car Crashes in California and New York: Time Series Analyses From 1982 to 2008 // American Journal of Public Health; 2013, Vol. 103 Issue 2. P. 214-219.

168. Bezruchko В., Smirnov D. Extracting Knowledge From Time Series: An Introduction to Nonlinear Empirical Modeling. Berlin: Springer, 2010. 407 p. Также доступно URL: http://link.springer.eom/book/10.1007/978-3-642-12601-7/page/l (дата обращения 15.01.2013)

169.

170.

171.

172.

173.

174.

175.

176.

177.

178

179,

180.

181

182.

Bolger N., Davis A., Rafaeli E. Diary Methods: Capturing Life as it is Lived // Annu. Rev. Psychol. 2003. Vol. 54. P. 579-616.

Booker J., Ross T. An evolution of uncertainty assessment and quantification // Scientia Iranica. 2011. Vol. 18. No. 3. P. 669-676.

Bool G. An Investigation of the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities. Cambridge: Macmillan / London: Walton &Maberly, 1854. (Reprinted in 1951, Dover Publications, New York.) Carnap R. Logical foundations of probability. Chicago: Chicago university Press, 1950. 607 p.

Case K.K., Ghys P.D., Gouws E., Eaton J.W., Borquez A., Stover J., Cuchi P., Abu-Raddad L.J., Garnett G.P., Hallett T.B. Understanding the modes of transmission model of new HIV infection and its use in prevention planning // Bulletin of the World Health Organization. 2012. Vol. 90. No. 11. P. 831-838A.

Cody W.J., Thacher H.C. Rational Chebyshev Approximation for the Exponential Integral El(x) // Mathematics of Computation. 1968. Vol. 22, No. 103. P.641-649. Coelho C., Mexia J. On the Distribution of the Product and Ratio Independent Generalized Gamma-Ratio Random Variables // The Indian Journal of Statistics. 2007. Vol. 69. Part. 2. P. 221-255.

Cowell R.G., Dawid A.Ph., Lauritzen S.L., Spiegelhalter D.J. Probabilistic Networks and Expert Systems. Berlin: Springer, 2003. 321 p.

Cruyff M., Bockenholt U., Hout A. van den , Heijden P. van der Accounting for Self-Protective Responses in Randomized Response Data from a Social Security Survey Using the Zero-Inflated Poisson Model // The Annals of Applied Statistics, 2008, Vol. 2, No. 1.

P. 316-331.

Darwiche F. Modeling and reasoning with Bayesian networks. Cambridge: Cambridge University Press, 2009. 548 c.

Dempster D. Upper and lower probabilities induced by a multi-valued mapping // Annals of Mathematical Stattistics, 1967. Vol.38. P. 325-339.

Domanska D., Wojtylak M. Application of fuzzy time series models for forecasting pollution concentrations // Expert Systems with Applications, 2012, 39. P. 7673-7679. Dubois D. Ranking Fuzzy Numbers in the Setting of Possibility Theory // Information Sciences, 1983, 30. P. 183-224.

Dubois D., Prade H. Possibility Theory: An Approach to Computerized Processing of Uncertainty. NY: Plenum Press, 1988.

183.

184

185

186,

187,

188

189

190

191

192

193

194

195,

196

Duchene F., Garbay C., Rialle V. Learning recurrent behaviors from heterogeneous multivariate time-series // Artificial Intelligence in Medicine, 2007, 39. P. 25-47. Dupret G., Piwowarski B. A User Behavior Model for Average Precision and its Generalization to Graded Judgments // Proceedings of SIGIR'10 (July 19-23, 2010, Geneva, Switzerland). P. 531-538

Dwyer-Lindgren L., Gakidou E., Flaxman A., Wang H. Error and bias in under-5 mortality estimates derived from birth histories with small sample sizes // Population Health Metrics. 2013. Vol. 11, No. 13. DOLlO.l 186/1478-7954-11-13

Eagena В., Caron R., Abdul-Kader W. An Agent-Based Modelling Tool (ABMT) for scheduling diagnostic imaging machines // Technology & Health Care. 2010. Vol. 18. Issue 6. P. 409—415.

Fenton K.A., Johnson A.M., McManus S., Erens B. Measuring sexual behaviour: methodological challenges in survey research // Sex. Transm. Infect. 2001. Vol. 77. P. 84-92. Fine T.L. Lower probability models for uncertainty and non-deterministic processes // Journal of statistical Planning and inference. 1988. Vol. 20. P. 389—411. FrowlerF.J. Improving survey questions: design and evaluation. Thousand Oaks, С A: SAGE Publications, 1995. 200 p. (Applied social research methods series, v. 38.) GeNIe& SMILE // Decisions systems laboratory. School of Information Sciences. University of Pittsburg. URL: http://genie.sis.pitt.edu/ (дата обращения 05.05.2013). Graham С., Catania J., Brand R., Duong Т., Canchola J. Recalling Sexual Behavior: A Methodological Analysis of Memory Recall Bias via Interview Using the Diary as the Gold Standard // The Journal of Sex Research. 2003. Vol. 40, No. 4. P. 325-332. Halpern J. Reasoning about Uncertainty. Massachusetts: The MIT Press, 2003. 497 p. Herbert J.P., Yao J. A granular computing framework for self-organizing maps // Neurocomputing. 2009. Vol. 72, Issue 13-15. P. 2865-2872.

Holford T.R. Multivariate Methods in Epidemiology. Oxford etc.: Oxford University Press, 2002. 408 p.

Holmes W.C., Foa E.B., Sammel M.D. Men's Pathways to Risky Sexual Behavior: Role of Co-Occurring Childhood Sexual Abuse, Posttraumatic Stress Disorder, and Depression Histories // Journal of Urban Health: Bulletin of the New York Academy of Medicine, 2005, Vol. 82, No. 1, Supplement 1. doi:10.1093/jurban/jti028.

Hovanov N., Yudaeva M., Hovanov K. Multicriteria estimation of probabilities on basis of expert non-numeric, non-exact and non-complete knowledge // European Journal of Operational Research. 2009. № 195. P. 857-863.

197

198

199

200

201

202

203

204

205

206

207

208

209

210,

211.

Hu J., Guan C. An Emotional Agent Model Based on Granular Computing // Mathematical Problems in Engineering. Volume 2012, Article ID 601295, 10 pages. DOI:l 0.1155/2012/601295

Jensen F.V. Bayesian Networks and Decision Graphs. NY.: Springer-Verlag, 2001. 268 p.

Joslyn C., Rocha L. Towards a formal taxonomy of hybrid uncertainty representations // Information Sciences. 1998. Vol. 110. P. 255-277.

Jung S. Exploratory factor analysis with small sample sizes: a comparison of three approaches // Behavioural Processes. 2013. No. 97. P. 90-95.

Kadirov D. Macro-Systems Role of Marketing: Do We Trade Environment for Welfare? //Journal of Macromarketing, 2011, 31(4). P. 359-375.

Kembabazi A., Bajunirwe F., Hunt P.W., Martin J.N., Muzoora C., Haberer J., Bangsberg D.R., Siedner M. Disinhibition in Risky Sexual Behavior in Men, but Not Women, during Four Years of Antiretroviral Therapy in Rural, Southwestern Uganda // PLOS One. 2013. Vol. 8, Issue 7. e69634.

Keynes J.M. A treatise on probability. London: Macmillan, 1921. 459 p.

Kindermann R., Snell J.L. Markov Random Fields and Their Applications. Providence,

RI: Amer. Math. Soc., 1980. 142 p.

Koller D., Friedman N. Probabilistic graphical models: principles and techniques. Cambridge, MS: The MIT Press, 2009. 1231 p.

Korb K.B., Nicholson A.E. Bayesian Artificial Intelligence. NY.: Chapman and Hall/CRC, 2004. 364 p.

Kschischang F., Frey B., Loeliger H.-A. Factor Graphs and the Sum-Product Algorithm // IEEE Transactions on Information Theory. 2001. Vol. 47, N. 2. P. 498-519. Kutner M., Neter J., Nachtsheim C., Li W. Applied Linear Statistical Models. Fifth edition. McGraw-Hill Inc., 2004. 1370 pp.

Laskey K., Levitt T. Artificial Intelligence: Uncertainty // International Encyclopedia of the Social & Behavioral Sciences, 2001. P. 799-805.

Lee S., Son Y.-J., Jin J. Decision field theory extensions for behavior modeling in dynamic environment using Bayesian belief network // Information Sciences. 2008. Vol. 178. P. 2297-2314.

Lohani A.K., Kumar R., Singh R.D. Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques // Journal of Hydrology, 2012.

212.

213.

214,

215,

216,

217,

218,

219,

220,

221

222

223,

224

225,

226,

Martins M.R., Maturana M.C. Application of Bayesian Belief networks to the human reliability analysis of an oil tanker operation focusing on collision accidents // Reliability Engineering and System Safety. 2013. Vol. 110. P. 89-109.

McCabe В., Loughlin C., Munteanu R., Tucker S., Lam A. Individual safety and health outcomes in the construction industry // Can. J. Civ. Eng. 2008. Vol. 35. P. 1455-1467. DOLlO.l 139/L08-091

McDonald J., Xu Y. A generalization of the beta distribution with applications // Journal of Econometrics. 1995. Vol. 66. P. 133-152.

Minka Т., Winn J., Guiver J., Knowlcs D. Infer.NET 2.4, Microsoft Research Cambridge, 2010. URL:http://research.microsoft.com/infernet (дата обращения 12.03.2013) Moore D., Dray A., Green R., Hudson S.L., Jenkinson R., Siokou C., Perez P., Bammer G., Maher L., Dietze P. Extending drug ethno-epidemiology using agent-based modelling // Addiction. 2009. Vol. 104. Issue 12. P.1991-1997.

Motsa S., Sibanda P. Agent-Based Modeling and Genetic Algorithm Simulation for the Climate Game Problem // Mathematical Problems in Engineering. 2012. Vol. 2012. Special section. P. 1-14.

Muller A., Mitchell J., Crosby R., Cao L., Johnson J., Claes L., Zwaan M. Mood states preceding and following compulsive buying episodes: an ecological momentary assessment study // Psychiatry Research, 2012. No.200. P.575-580.

Nayaka P.C., Sudheerb K.P., Ranganc D.M., Ramasastri K.S. A neuro-fuzzy computing technique for modeling hydrological time series // Journal of Hydrology, 2004, 291. P. 52-66.

Neapolitan R.E. Learning Bayesian Networks. Pearson Prentice Hall, 2003. 674 p. Nguyen H. Some mathematical tools for linguistic probabilities // Fuzzy Sets and Systems. 1979. Vol. 2. P.53-65.

Nguyen H.T., Walker E.A. A First Course in Fuzzy Logic. Second ed. NY etc.: Chap-man&Hall/CRC, 2000. 373 p.

Nilsson N. J. Artificial Intelligence: a New Synthesis. San Francisco, CA: Morgan Kauf-mannPubl., 1998. 513 p.

Oksendal B. Stochastic Differential Equations: An Introduction with Applications. Berlin: Springer, 2003.

Pawlak Z. Rough Sets // International Journal of Computer and Information Sciences. 1982. Vol. 11. No. 5. P. 341^56.

Pedrycz W. Granular Computing: An Emerging Paradigm // Physica Verlag. 2001. Vol. 70.

227.

228,

229,

230.

231.

232,

233,

234,

235

236

237

238

239,

240,

Pei Z., Zheng L. A novel approach to multi-attribute decision making based on intuition-istic fuzzy sets // Expert Systems with Applications. 2012. Vol. 39. P.2560-2566. Perl J. Causality: Models, Reasoning, and Inference. Cambridge: Cambridge University Press, 2000. 400 p.

Perl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. NY etc.: Morgan Kaufmann Publ., 1994. 552 p.

Perrin D., Ruskin H.J., Crane M. Model refinement through high-performance computing: an agent-based HIV example // Immunome Research. 2010 Supplement 1, Vol. 6. P. 1-9.

Pham-Gia T. Exact distribution of the generalized Wilks's statistic and applications // Journal of Multivariate Analysis. 2008. Vol. 99. P. 1698-1716.

Pool R., Montgomery C., Morar N. et al. A Mixed Methods and Triangulation Model for Increasing the Accuracy of Adherence and Sexual Behaviour Data: The Microbicides Development Programme // PLOS one. 2010. Vol. 5, Issue 7. el 1600. Preacher K.J., MacCallum R.C. Exploratory Factor Ananlysis in Behavior Genetics Research: Factor Recovery with Small Sample Sizes // Behavior Genetics. 2002. Vol. 32, No. 2. P. 153-161

Pregibon D. Logistic regression diagnostics // Annals of Statistics. 1981. No. 9. P. 705-724.

Rhodes W., Kling R., Johnston P. Using Booking Data to Model Drug User Arrest Rates: A Preliminary to Estimating the Prevalence of Chronic Drug Use // J Quant Criminol, 2007, 23. P.1-22.

Roldan C., Roldan A., Martinez-Moreno J. A fuzzy regression model based on distances and random variables with crisp input and fuzzy output data: a case study in biomass production // Soft Computing. 2012. Vol. 16. P. 785-795.

Ross T., Booker J., Montoya A. New developments in uncertainty assessment and uncertainty management // Expert Systems with Applications. 2013. Vol. 40. P. 964-974. Rossi R., Gastaldi M., Gecchele G., Meneguzzer C. Comparative analysis of random utility models and fuzzy logic models for representing gap-acceptance behavior using data from driving simulator experiments // Procedia — Social and Behavioral Sciences. 2012. Vol. 54. P. 834-844.

Rothman K.J. Epidemiology: An Introduction. Oxford etc.: Oxford University Press, 2002. 223 p.

Rothman K.J. Greenland S. Modern epidemiology. 2nd ed. Philadelphia etc.: Lippincott Williams & Wilkins, 1998. 738 p.

241. Rouvray D. The treatment of uncertainty in the sciences // Endeavour. 1997. Vol. 21. No. 4. P. 154-158.

242. Rubin D.B. A Small Sample Correction for Estimating Attributable Risk in Case-Control Studies // The International Journal of Biostatistics, 2010, Vol. 6, Iss. 1, Article 32. DOI: 10.2202/1557-4679.1252.

243. Saaty T.L., Alexander J.M. Thinking with models: Mathematical models in the Physical, Biological and Social Sciences. N.Y.: Pergamon Press, 1981. 181 p.

244. Schroder K., Carey M., Vanable P. Methodological Challenges in Research on Sexual Risk Behavior: I. Item Content, Scaling, and Data Analytical Options // Ann. Behav. Med. 2003. Vol. 26, No. 2. P. 76-103

245. Schroder K., Carey M., Vanable P. Methodological Challenges in Research on Sexual Risk Behavior: II. Accuracy of Self-Reports // Ann. Behav. Med. 2003. Vol. 26, No. 2. P.104-123

246. Sengupta R.R., Bennett D.A. Agent-based modelling environment for spatial decision support // International Journal of Geographical Information Science. 2003. Vol. 17. Issue 2. P. 157-180.

247. Shafer G. A Mathematical Theory of Evidence. Princeton, N.J.: Princeton University Press, 1976. 297 p.

248. Shu Z., Henson R., Willse J. Using Neural Network Analysis to Define Methods of DINA Model Estimation for Small Sample Sizes // Journal of Classification. 2013. No. 30. P. 173-194. DOI: 10.1007/s00357-013-9134-7

249. Sunner L.E., Walls C., Blood E.A., Shrier L.A. Feasibility and Utility of Momentary Sampling of Sex Events in Young Couples // Journal of Sex Research. 2013. Vol. 50, No. 7. P. 688-696.

250. Tan J.Y., Bong D.B., Rigit A.R. Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm // Engineering Letters. 2012. Vol. 20, Issue 3. P. 203-210.

251. Trendafilov N.T., Unkel S. Explarotary Factor Analysis of Data Matrices with More Variables than Observations // Journal of Computational and Graphical Statistics. 2011. Vol. 20, No. 4. P. 874-891. DOI: 10.1198/jcgs.2011.09211

252. Trucco P., Cango E., Ruggeri F., Grande O. A Bayesian Belief Network modelling of organisational factors in risk analysis: A case study in maritime transportation // Engineering and System Safety. 2008. Vol. 93. P. 823-834.

253.

254.

255.

256.

257.

258,

259,

260,

261,

262

263,

264

265,

266

267,

Trujols J., Guardia J., Pero M., Freixa M., Sinol N., Tejero A., Cobos J. Multi-episode survival analysis: An application modelling readmission rates of heroin dependents at an inpatient detoxification unit // Addictive behavior, 2007. Vol. 32. P. 2391-2397. Tulupyev A., Suvorova A., Sousa J., Zelterman D. Beta prime regression with application to risky behavior frequency screening // Statistics in Medicine. 2013. Vol. 32, Issue 23. P.4044-4056. DOI: 10.1002/sim.5820 (WebOfScience)

Van Vliet C., Van der Ploeg C. , Kidula N., Malonza I., Tyndall M., Nagelkerke N. Estimating Sexual Behavior Parameters from Routine Sexual Behavior Data // The Journal of Sex Research, 1998, Vol. 35, No. 3. P. 298-305.

Vanli O.A., Zhang C., Wang B. An adaptive Bayesian approach for robust parameter design with observable time series noise factors // HE Transactions, 2013, 45:4. P. 374-390. Walley P. Statistical reasoning with imprecise probabilities. NY, London: Chapman and Hall, 1991. xii + 709 p.

Wan J., Zabaras N. A probabilistic graphical model approach to stochastic multiscale differential equations // Journal of Computational Physics. 2013. No. 250. P. 477-510. Wardle J. Eating style. A validation study of the dutch eating behaviour questionnare in normal subjects and women with eating disorders // Journal of Psychosomatic Research, 1987. Vol. 31, No. 2. P. 161-169.

Wei S., Zuo D., Song J. Improving prediction accuracy of river discharge time series using a Wavelet-NAR artificial neural network // Journal of Hydroinformatics. 2012. Vol. 14 Issue 4. P. 974-992.

Wei W., Liang J., Qian Y. A comparative study of rough sets for hybrid data // Information Sciences. 2012. Vol. 190. P. 1-16.

Winter J. C. F., Dodou D., Wieringa P.A. Exploratory Factor Analysis With Small Sample Sizes // Multivariate Behavioral Research, 2009, 44:2. P. 147-181. Xenitidou M., Elsenbroich C. Construct Validity and Theoretical Embeddedness of Agent-based Models of Normative Behaviour // International Journal of Interdisciplinary Social Sciences. 2010. Vol. 5. Issue 4. P. 67-79.

Yao Y. Granular computing: basic issues and possible solutions // Proceedings of the 5th Joint Conference on Information Sciences. Vol. 1. Citeseer, 2000. P. 186-189. Yazenin A.V. Fuzzy and stochastic programming // Fuzzy Sets and Systems. 1987. Vol. 22. No. 1-2. P. 171-180.

Zadeh L.A. Fuzzy Sets // Information and Control. 1965. Vol. 8. P. 338-353.

Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy Sets and Systems.

1978. Vol.1. №1.

268. Zelterman D., Chen Ch. Homogeneity test against central-mixture alternatives // Journal of the American Statistical Association. 1988. Vol. 83. No. 401. P. 179-182.

269. Zelterman D. Models for Discrete Data: Revised Edition. New York: Oxford University Press, 2006. 285 p.

270. Zhang Q., Xiao Y., Xing Y. The representation and processing of uncertain problems // Procedia Engineering. 2011. Vol. 15. P. 1958-1962.

271. Zhu P., Hu Q. Adaptive heighborhood granularity selection and combination based on margin distribution optimization // Information Sciences. 2013. Vol. 249. P. 1-12.

Список иллюстраций

Рисунок 2.1. Вложенные интервалы....................................................................42

Рисунок 2.2. Последовательные интервалы........................................................43

Рисунок 2.3. Смешанные интервалы...................................................................43

Рисунок 2.4. Обобщенная схема представления ответов..................................43

Рисунок 2.5. Последние эпизоды поведения: система обозначений................44

Рисунок 3.1. Изменение формы распределение при изменении параметра а . 67

Рисунок 3.2. Изменение масштаба при изменении параметра а.....................68

Рисунок 3.4. Гранулярность ответов...................................................................79

Рисунок 3.5. Простейшая модель.........................................................................90

Рисунок 3.6. Модель социально-значимого поведения, основанная на данных

об эпизодах поведения..........................................................................................91

Рисунок 3.7. Добавление факторов в модель......................................................95

Рисунок 3.8. Относительные оценки интенсивности........................................96

Рисунок 4.1. Структурная схема базы данных...................................................99

Рисунок 4.2. Основное окно программы: вкладка расчета оценок по данным о

последних эпизодах.............................................................................................102

Рисунок 4.3. Сообщение пользователю.............................................................102

Рисунок 4.4. Представление модели поведения в редакторе GeNIe 2.0........103

Рисунок 4.5. Априорное распределение интенсивности.................................104

Рисунок 4.6. Апостериорное распределение (редактор GeNIe 2.0)................105

Рисунок 4.7. Интерфейс программы, вычисляющей интенсивность.............106

Рисунок 4.8. Трансформация зависимой переменной: распределение частот.. 110 Рисунок 4.9. Трансформация зависимой переменной: нормальность остатков. 110

Рисунок 4.10. Определение выбросов среди наблюдений..............................113

Рисунок 4.11. Графики остатков для исключенных из модели переменных.... 114

Рисунок 4.12. Нормальность распределения остатков....................................115

Рисунок А.1. Фрагмент диаграммы классов. Пакет distributons.....................150

Рисунок А.2. Фрагмент диаграммы классов. Пакет dbOperations..................150

Рисунок А.З. Фрагмент диаграммы классов. Пакет calculations....................151

Рисунок А.4. Сокращенная (без полей и методов) диаграмма классов.........152

Рисунок В.1. Копия свидетельства № 12176, выданного ОФАП...................160

Рисунок В.2. Копия свидетельствах» 2009614649, выданного Роспатентом. 160 Рисунок В.З. Копия свидетельства № 2010620275, выданного Роспатентом. 161 Рисунок В.4. Копия свидетельства № 2010613161, выданного Роспатентом. 162 Рисунок В.5. Копия свидетельства № 2010614266, выданного Роспатентом. 163 Рисунок В.6. Копия свидетельства № 2010614267, выданного Роспатентом. 164

Рисунок В.7. Копия свидетельства № 15762, выданного ОФЭРНиО............165

Рисунок В.8. Копия свидетельства № 15763, выданного ОФЭРНиО............166

Рисунок В.9. Копия свидетельства № 15764, выданного ОФЭРНиО............167