Разработка специального математического обеспечения процедур предварительной обработки информации в системах статистического анализа тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Чупеев, Андрей Николаевич

• Чупеев, Андрей Николаевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Чупеев, Андрей Николаевич

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМАТИКИ И СРЕДСТВ ПОВЫШЕНИЯ КАЧЕСТВА ИНФОРМАЦИОННОЙ БАЗЫ В СИСТЕМАХ СТАТИСТИЧЕСКОГО АНАЛИЗА.

1.1. Проблематика качества информационной базы в системах статистического анализа.

1.2. Анализ методов предварительной обработки данных для повышения качества информационной базы.

1.3. Анализ эффективности реализации методов предварительной обработки данных в рамках существующих инструментальных систем.

1.4. Цель и задачи исследования.-.

ГЛАВА 2. ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ ИСХОДНЫХ ДАННЫХ

НА ОСНОВЕ МЕТОДОВ ИСКЛЮЧЕНИЯ НЕДОСТОВЕРНЫХ ДАННЫХ И ЗАПОЛНЕНИЯ ПРОБЕЛОВ.

2.1. Метод преобразования качественных показателей в численные оценки.

2.2. Алгоритмизация процедур исключения недостоверных данных.

2.3. Модификация метода ZET для заполнения пробелов.

Выводы.

ГЛАВА 3. ОПТИМИЗАЦИЯ ПРИЗНАКОВОГО ПРОСТРАНСТВА В СИСТЕМАХ СТАТИСТИЧЕСКОГО АНАЛИЗА

И МОДЕЛИРОВАНИЯ.

3.1. Алгоритм выбора метода анализа значимости признаков в зависимости от характера решаемой задачи.

3.2. Алгоритм исключения параметрической избыточности 63 признакового пространства.

3.3. Интегральные характеристики на основе нормированных показателей и балльных оценок.

3.4. Алгоритм формирования однородных групп объектов для моделирования.

Выводы.

ГЛАВА 4. ПРОГРАММНЫЙ КОМПЛЕКС ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ СТАТИСТИЧЕСКОГО АНАЛИЗА И МОДЕЛИРОВАНИЯ.

4.1. Структура и основные функции системы предварительной обработки информации.

4.2. Реализация программного комплекса в условиях решения задач диагностики и прогноза.

Введение диссертации (часть автореферата) на тему «Разработка специального математического обеспечения процедур предварительной обработки информации в системах статистического анализа»

Актуальность темы. В настоящее время практически во всех предметных областях широко используются специализированные инструментальные системы статистической обработки информации, такие как SPSS, STATISTICA, Systat, SAS, Statgraphics и др. Однако, реальные информационные потоки, характерные в том числе для медицинских систем различного уровня и являющиеся основой проведения комплексного статистического анализа и моделирования, обладают специфическими свойствами, характеризующимися: произвольной функцией распределения; наличием как количественных, так и качественных показателей; отсутствием части содержательных фрагментов данных; недостоверностью данных, связанной с ошибками при регистрации и их вводе; параметрической избыточностью.

Следует отметить, что существующие средства, включенные в состав большинства инструментальных систем, дают возможность решать ряд перечисленных задач. Однако, данные средства не позволяют осуществлять качественную обработку произвольного набора данных, некоторые из алгоритмов (исключение многомерной недостоверной информации, формирование интегральных оценок) не имеют эффективной реализации; при этом достаточно сложно осуществить их модификацию, применительно к специфическим особенностям объектной области. Все это обуславливает необходимость разработки дополнительных средств математического и программного обеспечения процедур предварительной обработки информации для систем статистического анализа и моделирования, реализующих алгоритмы численного преобразования качественных показателей, исключения недостоверных данных, заполнения пробелов, исключения параметрической избыточности, формирования интегральных оценок, расширяющих функциональные возможности существующих инструментальных систем статистической обработки информации.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью разработки дополнительных средств математического обеспечения процедур предварительной обработки информации, реализуемых в рамках инструментальных систем статистического анализа и моделирования.

Тематика диссертации соответствует одному из научных направлений Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные комплексы».

Целью работы является разработка комплекса средств математического обеспечения процедур предварительной обработки данных для систем статистического анализа и моделирования, включающего модифицированные методы исключения недостоверных данных, заполнения пробелов, анализа значимости показателей, оптимизации признакового пространства, формирования интегральных оценок и их реализация в рамках программного комплекса.

Для достижения поставленной цели необходимо решить следующие задачи: провести анализ проблематики процессов предварительной обработки статистических данных в условиях специфических особенностей медицинской информации, а также методов и средств их реализации; сформировать структуру комплекса процедур предварительной обработки информации для статистического анализа и моделирования; осуществить модификацию методов предварительной обработки информации, как основы разработки: алгоритмов исключения недостоверных данных и заполнения пробелов существенно повышающих достоверность исходных данных; алгоритмов оценки информационной значимости параметров для моделей классификации и прогнозирования; сокращения размерности признакового пространства в задачах моделирования; формирования интегральных оценок, позволяющих провести анализ состояния моделируемой системы с учетом значимости и характера изменения контролируемых параметров; осуществить практическую реализацию предложенных средств предварительной обработки статистических данных.

Методы исследования. Для решения поставленных задач использовались основные положения теории вероятностей и математической статистики, методы математического моделирования, кластерного, регрессионного, корреляционного анализа, объектно-ориентированного программирования.

Новизна исследований. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: модификация метода «ZET» заполнения пробелов, отличающаяся использованием уравнений регрессии высших порядков, формированием однородных групп объектов и выполнением нескольких итераций, что позволяет значительно повысить точность заполнения; алгоритмы анализа значимости признаков, отличающиеся процедурой вычисления комплексной оценки по нескольким критериям в зависимости от характера решаемой задачи; алгоритмы вычисления интегральных показателей, комплексно оценивающих состояние моделируемого объекта, отличающиеся учетом значимости отдельных составляющих и характера их изменения, исходя из предположения, что важность нормализации контролируемых показателей изменяется по заданному закону; структура специального математического обеспечения процедур предварительной обработки данных для систем статистического анализа и моделирования, отличающиеся возможностью обеспечения повышенного уровня достоверности информации за счет комплексного использования алгоритмов исключения недостоверных данных, заполнения пробелов, оптимизации признакового пространства и формирования интегральных оценок.

Практическая значимость работы. В результате проведенного исследования разработаны средства математического обеспечения процедур предварительной обработки информации для статистического анализа и моделирования, адаптированные для медицинских данных, которые характеризуются рядом особенностей, связанных с технологией формирования информационной базы. Предложенные алгоритмы позволяют добиться комплектности данных, исключить недостоверные показатели, осуществить выбор оптимального набора показателей наиболее полно характеризующих исследуемый объект при сокращении параметрической избыточности.

Разработан ряд программных модулей, позволяющих использовать созданные вычислительные процедуры в качестве дополнения к существующим инструментальным системам статистического анализа и моделирования.

Реализация и внедрение результатов работы. На основе предложенного подхода выполнена обработка информационной базы данных о больных с атеросклерозом, и построены модели, имеющие более высокую оценку адекватности по сравнению с ранее разработанными. Результаты внедрены в деятельность кардиологического отделения Воронежской областной клинической больницы № 1.

Теоретические и практические результаты работы, реализованные автором в программном комплексе предварительной обработки информации для статистического анализа и моделирования внедрены в учебный процесс на кафедре «Технологических и автоматизированных систем электронного машиностроения» Воронежского государственного технического университета.

Результаты внедрения подтверждаются соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: международной научно-технической конференции «Системные проблемы надежности, качества, математического моделирования, информационных и электронных технологий в инновационных проектах» (Москва-Сочи, 2006); научно-технической конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2007); научно-методических семинарах кафедры «Технологических и автоматизированных систем электронного машиностроения» Воронежского государственного технического университета (2006-2008 гг.).

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения и приложения. Работа содержит 118 страниц, включая 11 рисунков, 14 таблиц, приложение и список литературы из 140 наименований.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Чупеев, Андрей Николаевич

Выводы

1. Оценка значимости показателей является основой при принятии решения об их включении в модели. Выбор алгоритма оценки значимости зависит от характера решаемой задачи. При решении задач прогноза предлагается использовать комбинированный метод, учитывающий коэффициент корреляции, коэффициент уравнения линейной регрессии, описывающие взаимосвязь признака с моделируемой величиной, а также коэффициент сходства. Для задач классификации значимость должна учитывать возможность отнесения произвольного наблюдения к одной из выделенных групп. Для решения данной задачи используется попарное сравнение выделенных групп на основе /-критерия Стыодента и ^/-критерия Уилкоксона по всем анализируемым признакам.

2. Точность моделей в значительной мере зависит от количества учитываемых параметров, однако с их увеличением значительно возрастает сложность построения и использования модели, поэтому уже на этапе исследования целесообразно осуществить выбор оптимального признакового пространства. Для решения данной задачи предлагается к использованию метод «дискретных корреляционных плеяд», позволяющий минимизировать число измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы.

3. Оценка различных состояний объекта моделирования возможна на основе сравнения по отдельным показателям, обобщенная оценка при этом весьма затруднена. Для получения такой оценки предлагается алгоритм вычисления интегрального показателя в виде взвешенной аддитивной свертки, позволяющего комплексно оценить уровень объекта управления с учетом отдельных составляющих и их значимости.

4. Для оценки эффективности функционирования системы во времени целесообразно использование интегральной оценки, учитывающей помимо значимости отдельных составляющих характер их изменения, исходя из предположения, что важность нормализации контролируемых показателей изменяется со временем по экспоненциальному закону.

5. Точность моделей значительно повышается при переходе от моделей, характеризующих общую совокупность объектов к моделям однородных элементов. В целях структуризации информационной базы целесообразно выделение однородных групп объектов на основе энтропийных оценок и методов кластерного анализа.

ГЛАВА 4. ПРОГРАММНЫЙ КОМПЛЕКС ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ СТАТИСТИЧЕСКОГО АНАЛИЗА И МОДЕЛИРОВАНИЯ

4.1. Структура и основные функции системы предварительной обработки информации

Для практической реализации предложенных алгоритмов в среде программирования Borland Delphi 6.0 была произведена разработка программного комплекса предварительной обработки информации для статистического анализа и моделирования, включающей в себя подсистемы экспорта/импорта данных, повышения достоверности данных, выбора оптимальных показателей для моделирования, интегрального оценивания. Программные модули разработаны с использованием СУБД InterBase 6.0, инструментальной системы Delphi 6.0, математического пакета Maple, что позволяет хранить и обрабатывать большие объемы данных, эффективно реализовать вычислительные процедуры

Выбор InterBase 6.0 обусловлен относительной простотой интеграции СУБД в операционную систему, небольшим размером базы данных (по сравнению с СУБД Oracle или MSSQL), удовлетворительной надежностью и особыми условиями лицензирования, позволяющими конечному пользователю устанавливать и использовать СУБД без совершения лицензионных отчислений.

Разработанная компьютерная система представляет собой комплекс взаимосвязанных программных модулей, структура которого приведена на рис. 4.1.

Г Интерфейс пользователя ' Г

Ядро системы

Подсистема сопряжения i

Модуль формирования отчетов

Внутренняя oaia данных Intcrbasc 6.0

Модуль 'экспорта/ импорта данных.

Сисшмньш аналитик

Информационно-справочная сисгсма

Модуль визуализации

Модуль вычислении

Модуль итерфеисов используемых внешних функций

Внешние приложения

Базы данных: Oracle, lnterba.se, MSSQL, ODBC (dBase, Paradox, Fox fro, Access и т.д.) k

Ooьскты OLE (Excel. Statistica)

Магматические и статистические пакеты (Maple 10. Statistica. Excel)

I Подсистема повышения достоверности исходных данных

Описательная статистика

Аппроксимация пропущенных данных

Исключение недостоверных данных

Подсистема выбора показателей для классификационно-прогностического моделирования

Подсистема интегрального оценивания

Опенка значимости показателей

Оптимизация признакового пространства

Формирование однородных групп

Формирование интегральных характеристик и балльных оценок

Оценка эффектна-кости обработки

Рис. 4.1. Структура системы предварительной обработки информации для статистического анализа и моделирования

Подсистема сопряжения обеспечивает связь системы с внешними приложениями.

Модуль экспорта/импорта данных позволяет обмениваться данными с большинством современных СУБД, для Oracle, MSSQL и InterBase реализована прямая связь между системой и СУБД с помощью компонентов прямого доступа. Также возможен обмен данными с помощью OLE технологии с такими приложениями как MS Excel или Statistica.

Модуль интерфейсов реализует связь методов вычислительного модуля и методов математических и статистических пакетов. В системе используются методы пакетов Maple 10, MS Excel и Statistica.

Основная база данных системы реализована на СУБД InterBase 6.0 и обеспечивает доступ как к исходным данным, так и к результатам произвольного этапа обработки данных.

В модуле вычисления описаны все вычислительные методы всех подсистем и внешних приложений, он обеспечивает связь вычислительных подсистем между собой.

В подсистеме повышения достоверности исходных данных реализованы алгоритмы расчета основных статистик, исключение недостоверных данных и аппроксимации пропущенных данных.

В подсистеме выбора оптимальных показателей для моделирования реализованы алгоритмы оценки значимости признаков, исключения параметрической избыточности и разбиения выборки на однородные группы методами кластерного анализа.

Подсистема интегрального оценивания отвечает за формирование интегральных характеристик и оценку эффективности обработки исходных данных.

Пользовательский интерфейс состоит из трех модулей. Модуль формирования отчетов позволяет на основе пользовательских шаблонов подготовить и сформировать отчеты произвольной формы для наглядного просмотра результатов работы системы. Сформированный отчет можно сохранить в любом распространенном формате хранения данных (RTF, XLS, XML, PDF и т.д.). Существует набор стандартных шаблонов, изменяя которые пользователь может создавать свои произвольные версии шаблонов. Программная реализация модуля была выполнена с помощью дизайнера отчетов FastScript для Delphi 6.0.

Информационно-справочная система содержит информацию о работе с отдельными подсистемами комплекса. Справка реализована в виде файла помощи формата «.chm» — скомпилированный гипертекстовый файл справки Windows, что облегчает работу и поиск необходимой информации.

Модуль визуализации позволяет пользователю управлять работой системы и оценивать ход и результаты обработки информации. Для удобства использования в системе предусмотрены шаблоны обработки данных. Каждый пользователь имеет свой набор шаблонов — по одному шаблону для каждого вида обработки. Функции системы описываются в шаблоне обработки данных определенной структуры, описанной в табл. 4.1.

ЗАКЛЮЧЕНИЕ

Проблема разработки алгоритмов и моделей, призванных оказать содействие специалистам при решении задач прогнозирования, диагностики и принятия решений не теряет своей актуальности. Большинство таких моделей строится на основе статистических данных с использованием регрессионного анализа, анализа временных рядов, нейросетевого моделирования, кластерного, дискриминаптпого анализа и других методов. Точность таких моделей в значительной мере зависит от качества исходных данных, которая зависит от наличия резко выделяющихся наблюдений, пропусков данных, состава отобранных для моделирования показателей.

Существует ряд алгоритмов, используемых для решения перечисленных проблем, однако, не все они достаточно эффективны для данных, представленных как в численном, так и качественном виде. Существующие математические и статистические программные пакеты достаточно дорого и содержат только стандартные методы, которые достаточно сложно модернизировать.

Разработка алгоритмического и программного обеспечения, объединяющего рад процедур предварительной обработки данных для статистического анализа и моделирования позволяет решить перечисленные задачи.

В ходе работы получены следующие результаты:

1. Проведен анализ проблематики процессов предварительной обработки статистических данных, а также методов и средств их реализации; предложена структура средств предварительной обработки статистических данных, включающая процедуры преобразования качественных показателей в численные оценки, исключения недостоверных данных, заполнения пробелов, анализа значимости признаков, оптимизации признакового пространства, формирования интегральных показателей и однородных групп объектов.

2. Предложен алгоритм, позволяющий исключить из информационной базы объекты, обладающие недостаточной информационной достоверностью, которая определяется на основе геометрического подхода, используя в качестве оценки сходства данных величину расстояний между объектами.

3. Разработана модификация метода «ZET» заполнения пробелов и алгоритма оптимизации признакового пространства, основанного на методе «дискретных корреляционных плеяд», что позволяет увеличить точность заполнения пропущенных данных, и использовать минимальный набор наиболее значимых параметров, характеризующих объект исследования, для дальнейшего статистического анализа и моделирования.

4. Разработаны алгоритмы анализа значимости признаков, позволяющие получить комплексную оценку на основе нескольких критериев с учетом распределения исходных данных и характера решаемой задачи: классификация или прогноз.

5. Предложены процедуры формирования интегральных показателей, позволяющих получать комплексную оценку на основе нескольких составляющих с учетом значимости показателей и характера изменения во времени.

6. Разработана структура программного комплекса предварительной обработки статистических данных, являющегося дополнением к существующим инструментальным системам статистического анализа и моделирования; созданы программные модули, реализующие предложенные алгоритмы.

Список литературы диссертационного исследования кандидат технических наук Чупеев, Андрей Николаевич, 2008 год

1. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. — М.: Статистика, 1974. 147 с.

2. Айвазян С.А., Ешоков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей: Справ, изд./ Под ред. С.А. Айвазяна. — М.: Финансы и статистика, 1985. — 487с.

3. Айвазян С.А., Ешоков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных: Справ, изд./ Под ред. С.А. Айвазяна. — М.: Финансы и статистика, 1983. — 487 с.

4. Айвазян С.А., Мхитаряи B.C. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ, 1998. — 1022 с.

5. Алгоритмическое обеспечение задач исследования и оптимизации сложных процессов / А.И. Каплинский, Я.Е. Львович, А.А. Ступаченко и др. — Воронеж: ВГТУД997.

6. Александров В.В., Горский Н.Д. Алгоритмы и программы структурного метода обработки данных. Л.: Наука, 1983. - 209 с.

7. Алексеев О.Г. Комплексное применение методов дискретной оптимизации. М.: Наука. Гл. ред. физ,- мат. лит., 1987. - 248 с.

8. Альянах И.Н. Моделирование вычислительных систем. Л.: Машиностроение. Ленинградское отделение, 1988.

9. Анфилатов B.C. и др. Системный анализ в управлении: Учебное пособие / B.C. Анфилатов, А.А. Емельянов, А.А. Кукушкин; Под. Ред. А.А. Емельянова. — М.: Финансы и статистика, 2002. — 368 с.

10. Ахутин В.М., Немирко А.П., Манило Л.А. Оптимизация принятия решений в АСУ здравоохранения.

11. Бабкин А.П., Старов В.Н. Исследование развития атеросклероти-ческих процессов с использованием принципов системного подхода // Новые информационные технологии. Материалы 4-го научно-практического семинара. — М., 2001. —С.29-39

12. Бабкин А.П., Исаков П.Н., Чопоров О.Н. Моделирование развития атеросклероза на основе нейросетей // Окружающая среда и здоровье человека: Сб. научн. и практ. работ. — Воронеж Старый Оскол, 2000. — С.226-231.

13. Бабкин А.П., Исаков П.Н., Чопоров О.Н. Моделирование развития атеросклероза на основе нейротехнологий // Межвуз. сб. науч. тр. «Высокие технологии в технике, медицине, экономике и образовании», Ч.З. — Воронеж, 2000. — С. 65-70.

14. Бабкин А.П., Львович Я.Е., Минаков Э.В., Чопоров О.Н. Алгоритмизация выбора оптимальной тактики лечения сосудистых поражений. Монография — Воронеж: Новый взгляд, 2002. — 224 с.

15. Бабкин А.П., Мокротоварова О.Ю., Чопоров О.Н. Разработка алгоритмов и моделей управления процессом лечения больных атеросклерозом // Сб. тез. докл. Всерос. конф. «Интеллектуальные информационные системы». — Воронеж, 1999, —С. 175.

16. Бабкин А.П., Чопоров О.Н. Моделирование развития атеросклероза у больных сахарным диабетом // Сб. тез. докл. VI всероссийского съезда кардиологов. — Москва, 1999. — С. 172.

17. Бокс Дж. Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974. — Вып. 1. — 288 е.; Вып. 2. — 197 с.

18. Болдин М.В., Симонова Г.И., Тюрин Ю.Н. Знаковый статистический анализ линейных моделей. — М.: Наука: Физматлит, 1997. — 288 с.

19. Боровиков В.П, Боровиков И.П. STATISTICA. — Статистический анализ и обработка данных в среде Windows. — СПб.: Питер, 2001. — 656 с.

20. Боровиков В.П, Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: учеб. пособие. — М.: Финансы и статистика, 1999. — 384 с.

21. Бородин В.И., Дмитриенко Л.Б., Федорков Е.Д. Оптимизация управления медицинским обслуживанием населения. -— Воронеж: Изд-во ВГТУ, 1999. — 140 с.

22. Браверман Э.М., Мучпик И.Б. Структурные методы обработки эмпирических данных. — М.: Наука, 1983.

23. Бухштабер В.М., Зелешок Е.А.,, Зубенко А.А. Конструирование интерактивных систем анализа данных. —М.: Финансы и статистика, 1989.

24. Васильков Ю.В., Василькова Н.Н. Компьютерные технологий вычислений в математическом моделировании: Учеб. пособие. — М.: Финансы и статистика, 1999. — 256 с.

25. Векслер JI.C. Статистический анализ на персональном компьютере // МИР ПК. — 1992. — №2. — С. 89-97.

26. Винер Н. Кибернетика, или управление и связь в животном и машине. пер. с англ., 2-е изд., —-М, 1968.

27. Гаек Я., Шидак 3. Теория ранговых критериев. — М.: Наука, 1971. —376 с.

28. Георгий И. Францкевич, Алексей А. Букарев, Валерий П. Костюк Нейросетевые и генетические модели и методы анализа данных, — Саратов: СГТУ, 2006.

29. Глинский В.В., Ионин В.Г. Статистический анализ. Учебное пособие. Издание 2-е, переработанное и дополненное. — М.: Информационно-издательский дом «Филинъ», 1998. — 264 с.

30. Гнеденко Б.В. Курс теории вероятности: учебник. 8-е изд., испр. и доп. — М.: Едиториал УРСС, 2005. — 448 с.

31. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. — Н.: Наука, 1996.

32. Гусев А.Н. Дисперсионный анализ в экспериментальной психологии: Учеб. Пособие. — М.: Учебно-методический центр коллектор «Психология», 2000. -— 136 с.

33. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. 3-е изд.: пер. с англ. — М.: Вильяме, 2007. — 912 с.

34. Дубров A.M. Обработка статистических данных методом главных компонент. М.: Статистика, 1978. 305 с.

35. Дюк В., Эммануэль В. Информационные технологии в медико-биологических исследованиях. — СПб.: Питер, 2003. — 528 с.

36. Дюк В.А., Мирошников А.И. Эволюция STATGRAPHICS // МИР ПК, — 1995,—№12.

37. Ешоков И.С. Методы, алгоритмы, программы многомерного статистического анализа. — М.: Финансы и статистика, 1986.

38. Есауленко И.Э., Смелянец А.П. Разработка интегрального показателя состояния здоровья военнослужащих, обслуживаемых военным госпиталем. // Системный анализ и управление в биомедицинских системах. —М., 2006. — №2. — Т.5. — С. 243-246.

39. Жамбю М. Иерархический кластер-анализ и соответствия/Пер. с фр. —М.: Финансы и статистика. 1988.

40. Задачи классификации и их программное обеспечение / B.C. Казанцев. — М.: Наука, 1990.

41. Зацепииа С.А., Львович Я.Е., Фролов В.Н. Теория управления: Учеб. пособие. —Воронеж: изд-во ВГУ, 1989.

42. Калаев В.Н., Калаева Е.А., Артюхов В.Г., Преображенский А.П. Применения кластерного анализа в биологических исследованиях. // Системный анализ и управление в биомедицинских системах. — М., 2007. — №3. — Т.6. — С. 1008-1015.

43. Калаев В.Н., Калаева Е.А., Преображенский А.П., Хореева О.В. Регрессионный анализ в биологических исследованиях // Системный анализ и управление в биомедицинских системах. — М., 2007. — №3. — Т.6. — С. 755-760.

44. Клименко Г.Я., Косолапов В.П., Чопоров О.Н. Методика и результаты преобразования лингвистических характеристик в численные оценки факторов риска // Журн. «Консилиум». — Воронеж, 2001. — №4. — С. 25-28.

45. Клир Дж. Системология. Автоматизация решения системных задач / Пер. с англ; Под ред. А.Н. Горлина. — М.: Радио и связь, 1990.

46. Козлов С.Ю. Процедура минимизации количества признаков для построения модели состояния больных с объемными поражениями головного мозга. // Системный анализ и управление в биомедицинских системах. — М., 2006. — №2. — Т.5. — С. 260-262.

47. Кореиевский Н.А. Построение автоматизированных компьютерных медицинских систем. — Курск: Изд-во КГТУ, 1996 г.

48. Кузнецов С.И. Инвариантное моделирование в медицине на базе кластерного анализа. — Воронеж: Изд-во ВГУ, 1997.

49. Кулаичев А.П. Пакеты для анализа данных // МИР ПК. — 1995. —1.

50. Куташов В.А, Черных О.Н, Чупеев А.Н. Разработка инструментальной системы классификационно-прогностического моделирования и интегральных оценок эффективности // Сборник научных трудов «Вестник». Воронеж: ВГТУ, 2007. —ТЗ. — №1. — С. 149-15Г.

51. Куташов В.А, Черных О.Н, Чупеев А.Н. Разработка подсистемы построения прогностических моделей // Материалы научно-технической конференции «Интеллектуализация управления в социальных и экономических системах». — Воронеж: ВГТУ, 2007. — С. 270.

52. Лазеева М.П., Лопатин А.П. Использование статистических критериев проверки гипотез для оценки информативности факторов. — Кузбасс: Кузбасс, гос. техн. ун-т, 2005.

53. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. — М.: Наука, 1989.

54. Лебедев Н.В. Формирование интегральных оценок эффективности функционирования медицинских систем различного уровня. // Системный анализ и управление в биомедицинских системах. — М., 2007. — №2. — Т.6. — С. 432-434.

55. Литвиенко Ю.В., Пасмурнов С.М., Савченко А.П. Алгоритмы прогнозирования состояния пациента: Монография. — Воронеж: Воронеж, гос. техн. ун-т, 2004. — 126 с.

56. Литтл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками. — М.: Финансы и статистика, 1991. — 336 с.

57. Львович И.Я., Куташов В.А. Корреляция факторов риска в возникновении биполярных аффективных расстройств при соматической патологии. // Системный анализ и управление в биомедицинских системах. — М., 2007. — №2. — Т.6. — С. 299-301.

58. Львович Я.Е., Фролов В.Н. Системное проектирование технологических процессов. — Воронеж: Изд-во ВГУ, 1980.

59. Львович Я.Е., Юрочкии А.Г., Чурюмов В.А. Микропроцессорные системы автоматизированного контроля производства СВТ. — СПб.: Политехника, 1992. — 203 с.

60. Макаров А.А. Роль и место статистических пакетов программ в курсах математической и прикладной статистики // Тезисы докладов на международной конференции «Информационные технологии в непрерывном образовании». — Петрозаводск, 1995. — С. 127-128.

61. Манд ель И. Д. Кластерный анализ. — М.: Финансы и статистика,1988.

62. Мейер Б., Бодуэн К. Методы программирования: В 2-х томах. Т.1. / Пер. с франц. Ю.А.Первина. Под ред. и с предисловием А.П.Ершова.— М.:Мир, 1992.—456 с.

63. Методы оптимизации в теории управления: Учебное пособие / И.Г. Черноруцкий. — СПб.: Питер, 2004. — 256 с.

64. Мышкис А.Д. Элементы теории математических моделей. — М.: Физматлит, 1994. — 192 с.

65. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных науках. — СПб.: Питер, 2005. -— 416 с.

66. Никитин Я.Ю. Асимптотическая эффективность непараметрических критериев. — М.: Физматлит, 1995. — 240 с.

67. Основы статистического анализа в медицине: Учебное пособие / В.И. Чернов, И.Э. Есаулепко, С.Н. Сеемнов, Н.П. Сереженко. — Воронеж, 2003. — 113 с.

68. Петропавловский М.В. Классификация учреждений высшего профессионального образования методами дискриминантного анализа. http://edu.nica.ru/library/books/16dlis7wt83q21m2/

69. Плис А.И., Сливина Н.А. Mathcad: математический практикум для экономистов и инженеров: учеб. Пособие. — М.: Финансы и статистика, 1999. —656 с.

70. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. — М.: Наука. Гл.ред.физ.-мат.лит., 1987. — 187 с.

71. Прикладная статистика: классификация и снижение размерности. Справ, изд. / Айвазян С.А. Бухштабер В.М., Енюков И.С., Мешалкин Л.Д.; Под. ред. Айвазяна С.А. — М.: Финансы и статистика, 1989. — 607 с.

72. Прикладной статистический анализ данных // Алексахин С.В., Балдин А.В., Криницин В.В. и др. / Под ред. Криницина В.В. — М.: Изд-во ПРИОР, 1998.

73. Рог А.И. Классификация медико-биологических объектов и их состояний на основе пепараметрических методов математической статистики. — Воронеж: Изд-во Водолей, 2005. — 35 с.

74. Рыков А.С. Модели и методы системного анализа: принятие решений и оптимизация. — М.: МИСИС, 2005. — 352 с.

75. Сигорский В.П. Математический аппарат инженера. — М.: Техника, 1977. —768 с.

76. Сирота А.А. Компьютерное моделирование и оценка эффективности сложных систем. — М.: Техносфера, 2006. — 280 с.

77. Смелянец А.П. Формирование прогностических моделей для управления медицинской помощью военнослужащим на базе военного госпиталя. // Системный анализ и управление в биомедицинских системах. — М., 2006. — №2. — Т.5. — С. 238-241.

78. Современные методы математического моделирования экономических и социальных процессов: монография / Н.В. Концевая, Ю.Г. Просвирин, О.А. Скрипников, B.JI. Хацкевич. — Воронеж: Всерос. заочный финансово-экономический ип-т, 2006. — 268.

79. Сойер Б., Фостер Д.Л. Программирование экспертных систем на Паскале: Пер с англ. —М.: Финансы и статистика, 1990. — 191 с.

80. Справочник по прикладной статистики: в 2 т. / под. ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина. —М.: Финансы и статистика, 1989, 1990.

81. Статистические методы для ЭВМ / Под ред. К.Энслейна, Э.Релстона, Г.С.Уилфа: Пер. с англ. / Под ред М.Б.Малютова. — М.: Наука. Гл. ред. физ.-мат. лит., 1986. —464 с.

82. Судаков О.В. Построение прогностической математической модели, базирующейся на параметрах сердечного ритма для оценки тяжести сердечных заболеваний. // Системный анализ и управление в биомедицинских системах. — М., 2007. — №1. — Т.6. — С. 201-209.

83. Тарасик В.П. Математическое моделирование технических систем: Учебник для вузов. — М.: ДизайнПРО, 1997. — 640 с.

84. Таунсенд К., Фохг Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. / Предисл. Г.С. Оси-пова. — М.: Финансы и статистика, 1990. — 320 с.

85. Темников Ф.Е. Теоретические основы информационной техники. — М.: Энергия, 1979, —511с.

86. Терехина А.Ю. Анализ данных методами многомерного шкалирования. — М.: Наука, 1978.

87. Терехов С.А., Квичапский А.В., Федорова Н.Н., Диянкова Е.В., Диянкова С.А., Чупрунов A.M. Нейронные сети в моделировании сложныхинженерных систем. // Научно-практическая конференция «Дни науки-2001»,1. Озерск, 2001

88. Томас Р. Количественные методы анализа хозяйственной деятельности. / Пер. с англ. — М.: Изд-во Дело и Сервис, 1999. — 432 с.

89. Тутубалип В.Н. Теория вероятности и случайных процессов. — М.: Изд-во МГУ, 1992. — 400 с.

90. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере: Учебное пособие. — 4-е изд., перераб. — М.: ИД «ФОРУМ», 2008. — 368 с.

91. Уотермаи Р.Д., Лепат Д., Хейсе-Рот Ф. Построение экспертных систем: Пер. с англ. — М.: Мир, 1987. — 491 с.

92. Факторный, дискриминантный и кластерный анализ. — М.: Финансы и статистика, 1989. — 215 с.

93. Федорков Е.Д. Моделирование и оптимизация дуальных динамических объектов в медицине. — Воронеж: Изд-во ВГТУ, 1997.

94. Фролов В.Н. Моделирование и оптимизация сложных систем (избранные главы). — Воронеж: Изд-во ВГТУ, 1997. — 151 с.

95. Фролов В.Н., Львович Я.Е., Подвальный С.Л. Проблемы оптимизации выбора в прикладных задачах. — Воронеж: Изд-во ВГУ, 198 с.

96. Халафян А.А. STATISTICA 6. Статистический анализ данных. 3-е изд. Учебник. —М.: Бином-Пресс, 2008. — 512 с.

97. Чесиокова И.В. Программа для ЭВМ, обеспечивающая автоматизированную диагностику и подбор индивидуальной терапии артериальной гипертензии. // Системный анализ и управление в биомедицинских системах.

98. М.,2007. —№1. —Т.6. —С. 236-239.

99. Чопоров О.А. Оптимизация функционирования медицинских систем на основе интегральных оценок и классификационно-прогностического моделирования: Дис. . доктора тех. наук: 05.13.01, Науч. консульт. Я.Е. Львович — Воронеж: ВГТУ, 1999.

100. Ширяев А.Н. Основы стохастической финансовой математики. Т1. Факты. Модели. — М.: ФАЗИС, 1998. — 512 с.

101. Ширяев А.Н. Основы стохастической финансовой математики. Т2. Теория. — М.: ФАЗИС, 1998. — 554 с.

102. Шураков В.В., Дайтбегов и др. Автоматизированное рабочее место для статистической обработки данных. — 1990. — 189 с.

103. Эддоус М., Стеисфилд Р. Методы принятия решения / пер. с англ.; Под ред. член-корр. РАН И.И. Елисеевой. — М.: Аудит, ЮНИТИ, 1997. — 590 с.

104. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры / Пер. с англ. и предисл. Б.И. Шатикова. М.: Финансы и статистика, 1987.

105. Яковлев А.Г1. Автоматизированные информационные системы в условиях многопрофильного стационара / А.П. Яковлев, А.П. Столбов, М.И. Бурмистрова и др. — М., 2000. — 176 с.

106. Ярошепко А.Н. Оценка качества и эффективности работы многопрофильной больницы // Здравоохранение Российской Федерации, 1996. — №6. — С. 36-37.

107. Aczel A.D. Complete business statistics. 3rd ed. — Richard D. Irwing, 1996. —869 p.

108. Azen S., Van Guilder M. Conclusions regarding algorithms for handling incomplete data. // Proceedings of the Statistical Computing Section, American Statistical Association, 1981. — p. 53-56.

109. Breiman L., Friedman J.H., Olshen R.A., Stone C.T. Classification and Regression Trees. — Belmont, California: Wadsworth, 1984.

110. Cox D.R. Regression models and life-tables // J.Royal Stat.Soc. — 1972. —V. 34. — P. 187-202.

111. David M.H., Little R.J.A., Samuhel M.E., Triest R.K. Imputation methods based on propensity to respond. // American Statistical Association, 1983.

112. Dempster A.P., Laird N.M., Rubin D.B. Maximum likelihood estimation from incomplete data via the EM Algorithm // Statist. — Soci, 1977. — p. 1-38.

113. Everit B. A Hadboolc of Statistical Analysis using S-PLUS. — Chapman & Hall, 1994. — 143 p.

114. Haitovsky Y Missing data in regression analysis. // Statist. — Soci, 1968. —p. 67-81.

115. Hanlce J.E., Reitsch A.G. Business forecasting. 6th ed. — Prentice-Hall, Inc., 1998. —581 p.

116. Hunt E.B., Marin J., and Stone P.T. Experiments in Induction. — New York: Academic Press, 1966.

117. Ivandic M., Hermann W., Guder W.G . Development and evalution of urine protein expert system // Clin.I Chem. — 1996. — V. 42. —P. 1214-1222.

118. Kim J.O. Curry J. The treatment of missing data in multivariate analysis. 11 Social Meth. — 1977. — Res. 6. — p. 215-240

119. Knowledge Acquisition tools for expert systems / ed.J.H.Boose and B.R.Gaines. London San Diego N.Y. Berkley Boston Tokyo Toronto Academic Press. — 1988.—V.1;V.2.

120. Machine Learning, Neural and Statistical Classification. Editors: D. Michie, D.J. Spiegelhalter, C.C. Taylor, 02/17/1994.

121. Quinlan J.R. C4.5 Programs for Machine Learning. Morgan Kaufmann, San Mateo —California, 1993.

122. Safran C. Using routinely collected data for clinical resarch // Stat.Med —1991. —V. 10.—P. 559-564.

123. Schiebcr S.J. A comparison of three alternative techniques for allocating unreported social security income on the Survey of the Low-Income Aged and Disabled. // American Statistical Association, 1978. —p. 212-218.

124. Spector P. An introduce to S and S-PLUS. — Duxbury Press, 1994. —286 p.

125. Van Bemmel J.H.Formalization of medical knowledge the diagnostic strategies and expert systems // Van Bemmel JH, Gremy F, Zvarova J, eds. Medical Decision Making: Diagnostic Strategies And Expert System. — Elsevier Science Publishers BV, 1985.

126. Venables M.N., Ripley B.D. Modern Applied Statistics with S-PLUS. Springer-Verlag, 1994. — 462 p.

127. Wasserman P. Neurocomputing. Theory and practice, Nostram Rein-hold, 1990. (Рус. перевод. Ф. Уоссермэн. Нейрокомпьютерная техника. —М.: Мир, 1992).о внедрении результатов научной работы Чупеева А.Н. в учебный процесс

128. Настоящий акт составлен в том, что на основании исследований, проведенных автором, получены следующие результаты:

129. Разработаны алгоритмы анализа значимости признаков в зависимости от характера решаемой задачи: классификация или прогноз.

130. Предложены процедуры формирования интегральных показателей, позволяющих получать комплексную оценку на основе нескольких составляющих, как с учетом значимости показателей, так и с учетом характера их изменения.

131. Разработан программный комплекс предварительной обработки статистических данных, реализующий предложенные модифицированные алгоритмы.

132. Зав. кафедрой ТАСЭМ « I о » tjMtTj 2008 г.1. О.Н. Чопоров

133. Начальник отдела методического обеспечения учебного процесса « . о » с-I л-гл Г/-* 2008 г.1. А.И. Гончеренко1. Главнглавный врач Воронежской областной1. УТВЕРЖДАЮ»о внедрении результатов на>

134. Чупеева Андрея Николаевича1. АКТ

135. Настоящий акт составлен в том, что на основании исследований, проведенных автором, получены следующие результаты:

136. Результаты научной работы используются в практике кардиологического отделения Воронежской областной клинической больницы, что позволило значительно повысить качество оказания медицинской помощи.

137. Зав. кардиологическим отдел* д.м.н., профессор