Институт проблем информатики Российской Академии наук
 Институт проблем информатики Российской Академии наук
 Российская Академия наук

Институт проблем информатики Российской Академии наук

Русский | English     Контакты

Об институтеНаправления деятельностиНаучно-исследовательские работы и проектыОбъекты интеллектуальной собственностиНаучные журналы ИПИ РАНДругие публикацииСеминары и конференции


Поиск:

«Информатика и ее применения» (Том 9, Выпуск 1, 2015)

Оглавление | Аннотации | Об авторах

Библиография

МОДЕЛИРОВАНИЕ НОРМАЛЬНЫХ ПРОЦЕССОВ В СТОХАСТИЧЕСКИХ СИСТЕМАХ СО СЛОЖНЫМИ ИРРАЦИОНАЛЬНЫМИ НЕЛИНЕЙНОСТЯМИ .

  • И. Н. Синицын  Институт проблем информатики Российской академии наук, sinitsin@dol.ru
  • В. И. Синицын  Институт проблем информатики Российской академии наук, vsinitsin@ipiran.ru
  • Э. Р. Корепанов  Институт проблем информатики Российской академии наук, ekorepanov@ipiran.ru

Литература

  1. Пугачев В. С., Синицын И.Н. Стохастические дифференциальные системы. Анализ и фильтрация. — М.: Наука, 1990. 632 с. (Pugachev V. S., Sinitsyn I.N. Stochastic differential systems. Analysis and filtering. — Chichester, New York: Jonh Wiley, 1987. 549 p.)
  2. Пугачев В. С., Синицын И.Н. Теория стохастических систем. — М.: Логос, 2000; 2004. 1000 с. (Pugachev V. S., Sinitsyn I.N. Stochastic systems. Theory and applications. — Singapore: World Scientific, 2001. 908 p.)
  3. Синицын И.Н. Канонические представления случайных функций и их применение в задачах компьютерной поддержки научных исследований.—М.: ТОРУС ПРЕСС, 2009. 768 с.
  4. Синицын И.Н., Синицын В.И. Лекции по нормальной и эллипсоидальной аппроксимации распределений в стохастических системах. — М.: ТОРУС ПРЕСС, 2013. 488 с.
  5. Синицын И.Н. Параметрическое статистическое и аналитическоемоделирование распределений в нелинейных стохастических системах на многообразиях //Информатика и её применения, 2013.Т. 7.Вып. 2. С. 4–16.
  6. Синицын И.Н., Синицын В.И. Аналитическое моделирование нормальных процессов в стохастических системах со сложными нелинейностями // Информатика и её применения, 2014. Т. 8. Вып. 3. С. 2–4.
  7. Синицын И.Н., Синицын В.И., Сергеев И. В., Белоусов В. В., Шоргин В. С. Математическое обеспечение аналитического моделирования стохастических систем со сложными нелинейностями // Системы и средства информатики, 2014. Т. 24.№3. С. 4–29.
  8. Градштейн И. С., Рыжик И.М. Таблицы интегралов, сумм, рядов и произведений. — М.: ГИФМЛ, 1963. 1100 с.
  9. Справочник по специальным функциям / Под ред. М. Абрамовича и И. Стигана. — М.: Наука, 1979. 832 с.
  10. Попов Б. А., Теслер Г. С. Вычисление функций на ЭВМ: Справочник. — Киев: Наукова Думка, 1984. 599 с.
  11. Переломов А.М. Интегрируемые системы классической механики и алгебры Ли. — М.: Наука, 1990. 240 с.
  12. Синицын И.Н. Аналитическое моделирование распределений с инвариантной мерой в стохастических системах с разрывными характеристиками //Информатика и её применения, 2013. Т. 7. Вып. 1. С. 3–11.

МЕТОД РАСЧЕТА ХАРАКТЕРИСТИК ИНТЕРФЕРЕНЦИИ ДВУХ ВЗАИМОДЕЙСТВУЮЩИХ УСТРОЙСТВ В БЕСПРОВОДНОЙ ГЕТЕРОГЕННОЙ СЕТИ .

  • Ю. В. Гайдамака  Российский университет дружбы народов, ygaidamaka@sci.pfu.edu.ru
  • А. К. Самуйлов  Российский университет дружбы народов; Технологический университет г. Тампере, Финляндия, aksamuylov@gmail.com

Литература

  1. Гайдамака Ю. В., Ефимушкина Т. В., Самуйлов А.К., Самуйлов К. Е. Задачи оптимального планирования межуровневого интерфейса в беспроводных сетях // Информатика и её применения, 2012. Т. 6. Вып. 3. С. 75–81.
  2. Basharin G. P., Gaidamaka Yu. V., Samouylov K. E. Mathematical theory of teletraffic and its application to the analysis of multiservice communication of next generation networks // Autom. Control Comp. Sci., 2013. Vol. 47. No. 2. P. 62–69.
  3. Andreev S., Pyattaev A., Johnsson K., Galinina O., Koucheryavy Y. Cellular traffic off loading onto network-assisted device-to-device connections // IEEE Commun. Mag., 2014. Vol. 52. No. 4. http://ieeexplore.ieee.org/ xpl/tocresult.jsp?isnumber=6807935.
  4. Baccelli F., Blaszczyszyn B. Stochastic geometry and wireless networks. Vol. I: Theory.—Boston: NoWPubls. Inc., 2009. 164 p.
  5. Erturk M. C., Mukherjee S., Ishii H., Arslan H. Distributions of transmit power and SINR in device-to-device networks // IEEE Commun. Lett., 2013. Vol. 17. No. 2. http://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber= 6472443.
  6. Kim M., Han Y., Yoon Y., Chong Y., Lee H. Modeling of adjacent channel interference in heterogeneous wireless networks // IEEE Commun. Lett., 2013. Vol. 17. No. 9. http://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber= 6604524.
  7. Andrews J. G., Singh S., Ye Q., Lin X., Dhillon H. S. An overview of load balancing in hetnets: Old myths and open problems // IEEE Wirel. Commun., 2014. Vol. 21. No. 2. http://ieeexplore.ieee.org/xpl/tocresult. jsp?isnumber=6812279.
  8. Левин Б. Р. Теоретические основы статистической радиотехники. — 3-е изд. — М.: Радио и связь, 1989. 656 с.
  9. Mardia K., Jupp P. Directional statistics. — Wiley Press, 1999. 441 p.
  10. Wolfram Mathematica: Программное обеспечение для технических вычислений. http://www.wolfram. com/mathematica.
  11. Гайдамака Ю. В., Печинкин А. В., Разумчик Р. В., Самуйлов А.К., Самуйлов К. Е., Соколов И. А., Сопин Э. С., Шоргин С. Я. Распределение времени выхода из множества состояний перегрузки в системе M|M|1|hL,Hi|hH,Ri с гистерезисным управлением нагрузкой // Информатика и её применения, 2013. Т. 7. Вып. 4. С. 20–33.
  12. Tehrani M., Uysal M., Yanikomeroglu H. Device-todevice communication in 5G cellular networks: Challenges, solutions, and future directions // IEEE Commun. Mag., 2014. Vol. 52. No. 5. http://ieeexplore. ieee.org/xpl/tocresult.jsp?isnumber=6815882.

HEURISTIC CERTIFICATES VIA APPROXIMATIONS.

  • Sh. Dolev  Department of Computer Science, Ben-Gurion University of the Negev, Beer-Sheva 84105, Israel
  • M. Kogan-Sadetsky  Department of Computer Science, Ben-Gurion University of the Negev, Beer-Sheva 84105, Israel

ЭВРИСТИЧЕСКИЕ СЕРТИФИКАТЫ ПОСРЕДСТВОМ ПРИБЛИЖЕНИЙ.

  • Ш. Долев  Факультет компьютерных наук, Университет Бен-Гурион в Негеве, Израиль, dolev@cs.bgu.ac.il
  • М. Коган-Садецкая  Факультет компьютерных наук, Университет Бен-Гурион в Негеве, Израиль, sadetsky@cs.bgu.ac.il

Литература

  1. Holland J. Genetic algorithms and the optimal allocation of trials // SIAM J. Comput., 1971. Vol. 2. P. 88-105.
  2. Wall, M., and MIT. 1994-2005. GAlib: A C++ library of genetic algorithm components. http://lancet. mit.edu/ga/.
  3. Kellerer H., Pferschy U., Pisinger D. Knapsack problems. - Berlin: Springer, 2004. P. 161-166.
  4. http://www.cs.bgu.ac.il/~sadetsky/Thesis/.
  5. Sipper M. 1996. A brief introduction to genetic algorithms. http://www.cs.bgu.ac.il/~sipper/ga.html.
  6. Trevisan L. 1997. Reductions and (non-) approximability. Universita Degli Studi di Roma "La Sapienza," dotoorato di Rjcerca in Informatica. Vol. IX-97-7. P. 17-35.
  7. Ausiello G., Paschos V. Th. Approximability preserving reductions // Cahier Du Lamsade, 2005. Vol. 227. P. 12.
  8. Hastad J. Some optimal inapproximability results // 29th ACM Symposium on Theory of Computing Proceedings, 1997. P. 1-10.
  9. http://www.cs.cmu.edu/afs/cs.cmu.edu/academic/cla ss/15451-s00/www/lectures/lect0406post.txt.
  10. Papadimitriou C., Yannakakis M. Optimization, approximation, and complexity classes // 20th Annual ACM Symposium on the Theory of Computing Proceedings, 1988. P. 229–234.
  11. Halldorsson M., Radhakrishnan J. Greed is good: Approximating independent sets in sparse and bounded-degree graphs // 30th ACMSymposiumon Theory ofComputing Proceedings, 1994. P. 439–448.
  12. Yannakakis M. On the approximation of maximum satisfiability // 3rd Annual ACM-SIAM Symposium on Discrete Algorithms Proceedings. — Orlando, FL, USA, 1994. P. 475–502.
  13. Azar, Y., L. Epstein, Y. Richter, and G. Woeginger. All-norm approximation algorithms // J. Algorithm., 2004. Vol. 52. No. 2. P. 120–133.
  14. Awerbuch B., Azar Y., Grove E., Kao M., Krishman P., Vitter J. 1995. Load balancing in the Lp norm. IEEE Symposium on Foundations of Computer Science (FOCS) Proceedings.
  15. Adamy U., Erlebach T., Mitsche D., Schurr I., Speckmann B., Welzl E. Off-line admission control for advance reservations in star networks // Approximation Online Algorithms, 2005. Vol. 3351. P. 211–224.

METHODS AND TOOLS FOR HYPOTHESIS-DRIVEN RESEARCH SUPPORT: A SURVEY .

  • L. Kalinichenko  Institute of Informatics Problems, Russian Academy of Sciences, 44-2 Vavilov Str., Moscow 119333, Russian Federation
  • D. Kovalev  Institute of Informatics Problems, Russian Academy of Sciences, 44-2 Vavilov Str., Moscow 119333, Russian Federation
  • D. Kovaleva  Institute of Astronomy, Russian Academy of Sciences, 48 Pyatnitskaya Str.,Moscow 119017, Russian Federation
  • O. Malkov  Institute of Astronomy, Russian Academy of Sciences, 48 Pyatnitskaya Str.,Moscow 119017, Russian Federation

МЕТОДЫ И СРЕДСТВА ПОДДЕРЖКИ ИССЛЕДОВАНИЙ, ДВИЖИМЫХ ГИПОТЕЗАМИ: ОБЗОР .

  • Л. А. Калиниченко  Институт проблем информатики Российской академии наук; leonidandk@gmail.com
  • Д. Ю. Ковалев  Институт проблем информатики Российской академии наук; dkovalev@ipiran.ru
  • Д. А. Ковалева  Институт астрономии Российской академии наук; dana@inasan.ru
  • О. Ю.Малков   Институт астрономии Российской академии наук; malkov@inasan.ru

Литература

  1. Hey, T., S. Tansley, and K. Tolle, eds. 2009. The Fourth paradigm: Data-intensive scientific discovery. Redmond, Microsoft Research. 252 p.
  2. McComas, W.F. 1998. The principal elements of the nature of science: Dispelling the myths of science. Nature of science in science education: Rationales and strategies. Ed. W. F.McComas. Kluwer Academic Publs. 53–70.
  3. Lakshmana Rao, J.R. 1998. Scientific ‘Laws,’ ‘Hypotheses’ and ‘Theories’.Meanings Distinctions Reson. 3:69–74.
  4. Poincare, H. 2012. The foundations of science: Science and hypothesis, the value of science, science and method. The Project Gutenberg EBook. No. 39713. 554 p. Available at: http://www.gutenberg.org/¦les/39713/39713- 8.txt (accessed February 10, 2015).
  5. Bacon, F. 1952. The new organon. Great books of the Western World. Vol. 30. The works of Francis Bacon. Ed. R.M. Hutchins. Chicago: Encyclopedia Britannica, Inc. 107–195.
  6. Menzies, T. 1996. Applications of abduction: Knowledgelevel modeling. Int. J. Hum.-Comput. St. 45(3):305–335.
  7. Haber, J. 2010. Research questions, hypotheses, and clinical questions. Evolve resources for nursing research. 7th ed. Elsevier. 27–55.
  8. Popper,K. 2005. The logic of scientific discovery. London– New York: Routledge, Taylor & Francis. 545 p. Available at: http://strangebeautiful.com/other-texts/popper- logic-scienti¦c-discovery.pdf (accessed February 10, 2015).
  9. Kerlinger, F.N., and H.B. Lee. 1964. Foundations of behavioral research: Educational and psychological inquiry. New York: Holt, Rinehart and Winston. 739 p.
  10. Hempel, C.G. 1952. Fundamentals of concept formation in empirical science. Int. Encyclopedia Unified Sci. 2(7). Available at:http://www.iep.utm.edu/hempel/(accessed February 10, 2015).
  11. Porto, F., and S. Spaccapietra. 2011. Data model for scientific models and hypotheses. Evolution Conceptual Modeling 6520:285–305.
  12. Goncalves, B., and F. Porto. 2013. A lattice-theoretic approach for representing and managing hypothesis-driven research. 25th Conference (International) on Scientific and Statistical Database Management (ACM) Proceedings. Baltimore. 41.
  13. Gonc alves, B., F. Porto, and A.M.C. Moura. 2012. On the semantic engineering of scientific hypotheses as linked data. 2ndWorkshop (International) on Linked Science Proceedings. Boston.
  14. Woodward, J. 2011. Scientific explanation. The Stanford Encyclopedia of Philosophy. Available at: http://plato. stanford.edu/archives/win2011/entries/scienti¦c- explanation/ (accessed February 10, 2015).
  15. Nickles, T., ed. 1980. Scientific discovery: Case studies. Taylor & Francis. 501 p.
  16. Schickore, J. 2014. Scientific discovery. The Stanford Encyclopedia of Philosophy. Available at: http://plato. stanford.edu/archives/spr2014/entries/scienti¦c- discovery/ (accessed February 10, 2015).
  17. Kakas,A.C., R.A. Kowalski, and F.Toni. 1993. Abductive logic programming. J. Logic Comput. 2(6):719–770.
  18. Kakas, A.C., A. Michael, and C. Mourlas. 2000. ACLP: Abductive constraint logic programming. J. Logic Program. 44(1):129–177.
  19. Van Nuffelen, B., and A. Kakas. 2001. A-system: Declarative programming with abduction. Logic programming and nonmotonic reasoning. Eds. T. Eiter, W. Faber, and M. Truszczy‚nski. Lecture notes in computer science ser. Berlin–Heidelberg: Springer. 2173:393–397.
  20. Alferes, J. J., L.M. Pereira, and T. Swift. 2004. Abduction in well-founded semantics and generalized stable models via tabled dual programs. Theor. Pract. Log. Progr. 4(4):383–428.
  21. Ray, O., and A. Kakas. 2006. ProLogICA: A practical system for Abductive Logic Programming. 11thWorkshop (International) on Non-Monotonic Reasoning Proceedings. 304–312.
  22. Citrigno, S., T. Eiter, W. Faber, G. Gottlob, C. Koch, N. Leone, and F. Scarcello. 1997. The dlv system: Model generator and application frontends. 12th Workshop on Logic Programming Proceedings. 128–137.
  23. King, R.D., M. Liakata, C. Lu, S.G. Oliver, and L.N. Soldatova. 2011. On the formalization and reuse of scientific research. J. Roy. Soc. Interface 8(63):1440– 1448.
  24. Tamaddoni-Nezhad, A., R. Chaleil, A. Kakas, and S.H. Muggleton. 2006. Application of abductive ILP to learningmetabolic network inhibition fromtemporal data. Mach. Learn. 64:209–230.
  25. Inoue K., T. Sato, M. Ishihata, Y. Kameya, and H. Nabeshima. 2009. Evaluating abductive hypotheses using and EM algorithm on BDDs. 21st Joint Conference (International) on Artificial Intelligence (IJCAI09) Proceedings. Pasadena. 810–815.
  26. Bartha, P. 2013. Analogy and analogical reasoning. The Stanford Encyclopedia of Philosophy. Available at: http://plato.stanford.edu/archives/fall2013/entries/ reasoning-analogy/ (accessed February 10, 2015).
  27. Ivezi‚c, Z., A. J. Connolly, J. T. VanderPlas, and A. Gray. 2014. Statistics, data mining, and machine learning in astronomy: A practical Python guide for the analysis of survey data. Princeton University Press. 552 p.
  28. Sivia,D. S., and J. Skilling. 2006. Data analysis. A Bayesian tutorial. New York: Oxford University Press Inc. 264 p.
  29. Field, A. 2013. Discovering statistics using IBMSPSS statistics. 4th ed. Sage. 915 p.
  30. IBM SPSS Statistics for Windows, Version 22.0. 2013. Armonk, N.Y.: IBM Corp. IBM SPSS Statistics base. Available at: https://www.uio.no/tjenester/it/forskning/ statistikk/hjelp/programveilednigner/ibm spss statistics brief guide-2.pdf (accessed February 10, 2015).
  31. Ihaka,R., and R.Gentleman. 1996. R:A language for data analysis and graphics. J. Comput. Graph. Stat. 5(3):299– 314.
  32. March,M.C., G.D. Starkman, R. Trotta, and P.M. Vaudrevange. 2011. Should we doubt the cosmological constant? Mon. Not. Roy. Astron. Soc. 410(4):2488–2496.
  33. Rouder, J.N., P. L. Speckman, D. Sun, R.D.Morey, and G. Iverson. 2009. Bayesian t tests for accepting and rejecting the null hypothesis.Psychon.Bull.Rev. 16(2):225–237.
  34. Weber,M. 2014. Experiment in biology. The Stanford Encyclopedia of Philosophy. Available at: http://plato. stanford.edu/archives/fall2014/entries/biology- experiment/ (accessed February 10, 2015).
  35. Hawthorne, J. 2014. Inductive logic. The Stanford Encyclopedia of Philosophy. Available at: http://plato. stanford.edu/archives/sum2014/entries/logic- inductive/ (accessed February 10, 2015).
  36. Breiman, L. 2001. Statistical modeling: The two cultures. Stat. Sci. 16(3):199–231.
  37. Hastie, T., R. Tibshirani, J. Friedman, and J. Franklin. 2005. The elements of statistical learning: Data mining, inference and prediction.Math. Intell. 27(2):83–85.
  38. Barber,D. 2010. Bayesian reasoning and machine learning. Cambridge University Press. 720 p.
  39. Ferrucci, D., E. Brown, J. Chu-Carroll, J. Fan, D. Gondek, A.A. Kalyanpur, and C. Welty. 2010. Building Watson: An overview of the DeepQA project. AI Mag. 31(3):59–79.
  40. Dredze, M., K. Crammer, and F. Pereira. 2008. Confidence-weighted linear classification. 25th Conference (International) on Machine Learning Proceedings. Helsinki. 264–271.
  41. Starkman,G.D., R. Trotta, and P.M. Vaudrevange. 2008. Introducing doubt in Bayesian model comparison. arXiv preprint arXiv:0811.2415.
  42. March, M.C. 2013. Advanced statistical methods for astrophysical probes of cosmology. Springer Theses. Vol. 20. 177 p.
  43. Porto, F. 2013. Big data in astronomy. The LIneADEXL case. EMC Summer School on BIG DATA — NCE/UFRJ. Available at: http://www.slideshare.net/ fabiomporto/emc-2013-big-data-in-astronomy (accessed February 10, 2015).
  44. Racunas, S. A., N.H. Shah, I. Albert, and N. V. Fedoroff. 2004. Hybrow: A prototype system for computer-aided hypothesis evaluation. Bioinformatics 20(1):257–264.
  45. Soldatova, L.N., A.Rzhetsky, andR.D.King. 2011.Representation of research hypotheses. J. Biomed. Semantics 2(S-2):S9.
  46. Callahan,A.,M.Duumontier, andN.Shah. 2011. HyQue: Evaluating hypotheses using Semantic Web technologies. J. Biomed. Semantics 2(S-2):S3.
  47. Gao, Y., J. Kinoshita, E. Wu, E. Miller, R. Lee, A. Seaborne, and T. Clark. 2006. SWAN: A distributed knowledge infrastructure for Alzheimer disease research. J. Web Semant. 4(3):222–228.
  48. King, R.D., K. E. Whelan, F.M. Jones, P.G. Reiser, C.H. Bryant, S.H. Muggleton, and S.G. Oliver. 2004. Functional genomic hypothesis generation and experimentation by a robot scientist. Nature 427(6971):247– 252.
  49. Porto, F., A.M.C. Moura, B. Gonc alves, R. Costa, and S. A. Spaccapietra. 2012. A scientific hypothesis conceptual model. Advances in conceptual modeling. Eds. S. Castano, P. Vassiliadis, L. V. Lakshmanan, and M. Li Lee. Lecture notes in computer science ser.Berlin–Heidelberg: Springer. 7518:101–110.
  50. Porto, F., and A.M.C. Moura. 2011. Scientific hypothesis database. Report. Available at: http://livroaberto. ibict.br/bitstream/1/869/1/Scientific%20Hypothesis% 20Database.pdf (accessed February 10, 2015).
  51. Asgharbeygi, N., P. Langley, S. Bay, and K. Arrigo. 2006. Inductive revision of quantitative process models. Ecol. Model. 194(1):70–79.
  52. Tran, N., C. Baral, V. J. Nagaraj, and L. Joshi. 2005. Knowledge-based integrative framework for hypothesis formation in biochemical networks. Data integration in the life sciences. Eds. B. LudЃascher and L. Raschid. Lecture notes in computer science ser. Berlin–Heidelberg: Springer. 3615:121–136.
  53. Sparkes, A., W. Aubrey, E. Byrne, A. Clare, M.N. Khan, M. Liakata, and R.D. King. 2010. Towards Robot Scientists for autonomous scientific discovery. Autom. Exp. 2(1). Available at: http://www.aejournal.net/content/2/1/1 (accessed February 10, 2015).
  54. Castrillo, J. I., and S.G. Oliver, eds. 2011. Yeast systems biology: Methods and protocols. Methods in molecular biology ser. Berlin–Heidelberg: Springer. Vol. 759. 549 p.
  55. Plotkin, G.D. 1970. A note on inductive generalization. Mach. Intell. 5:153–163.
  56. Huang, J., L. Antova, C. Koch, and D. Olteanu. 2009. MayBMS: A probabilistic database management system. 2009 ACM SIGMOD Conference (International) on Management of Data Proceedings. Rhode Island. 1071–1074.
  57. Robin, A., and M. Creze. 1986. Stellar populations in the Milky Way — a synthetic model. Astron. Astrophys. 157:71–90.
  58. Robin, A. C., C. Reyl‚e C., S. Derri ere, and S. Picaud. 2006. A synthetic view on structure and evolution of the Milky Way. arXiv preprint astro-ph/0401052.
  59. Czekaj, M.A., A.C. Robin, F. Figueras, X. Luri, and M. Haywood. 2014. The Besanc on Galaxy model renewed-I. Constraints on the local star formation history from Tycho data. Astron. Astrophys. 564:A102.
  60. Czekaj, M.A. 2012. Galaxy evolution: A new version of the Besanc onGalaxyModel constrained with Tycho data. PhD Thesis. Barcelona: Universitet de Barcelona. 167 p.
  61. Martins, A.M.M. 2014. Statistical analysis of large scale surveys for constraining theGalaxy evolution.PhDThesis. Barcelona: Universitet de Barcelona. 221 p.
  62. Biswal, B. B.,M.Mennes, X.N. Zuo, S. Gohel, C. Kelly, S.M. Smith, and C. Windischberger. 2010. Toward discovery science of human brain function. Proc. Nat. Acad. Sci. USA 107(10):4734–4739.
  63. Craddock, R.C., S. Jbabdi, C.G. Yan, J. T. Vogelstein, F. X. Castellanos, A. Di Martino, and M. P. Milham. 2013. Imaging human connectomes at the macroscale. Nat. Methods 10(6):524–539.
  64. Ginestet, C. E., P. Balanchandran, S. Rosenberg, and E.D. Kolaczyk. 2014. Hypothesis testing for network data in functional neuroimaging. arXiv preprint arXiv:1407.5525.
  65. Ginestet, C.E., A. P. Fournel, and A. Simmons. 2014. Statistical network analysis for functional MRI: Summary networks and group comparisons. Front. Comput. Neurosci. 8:51. Available at: http://www.ncbi.nlm. nih.gov/pmc/articles/PMC4018548/ (accessed February 10, 2015).
  66. Yan, C.G., R.C. Craddock, X.N. Zuo, Y. F. Zang, and M. P. Milham. 2013. Standardizing the intrinsic bra towards robustmeasurement of inter-individual variation in 1000 functional connectomes. Neuroimage 80:246–262.
  67. Marcus, D. S., J. Harwel, T. Olsen, M. Hodge, M. F. Glasser, F. Prior, and D.C. Van Essen. 2011. Informatics and data mining tools and strategies for the human connectome project. Front. Neuroinform. 5. Available at: http://www.ncbi.nlm.nih.gov/pmc/ articles/PMC3127103/ (accessed February 10, 2015).
  68. Marcus, D. S., T.R. Olsen, M. Ramaratnam, and R. L. Buckner. 2007. The extensible neuroimaging archive toolkit. Neuroinformatics 5(1):11–33.
  69. Brun, A. 2006. Manifold learning and representations for image analysis and visualization. Department of Biomedical Engineering, LinkЃopings Universitet. 104 p.
  70. Mahmoudi, A., S. Takerkart, F. Regragui, D. Boussaoud, and A. Brovelli. 2012. Multivoxel pattern analysis for fMRI data: A review. Comput. Math. Methods Med. Available at: http://www.hindawi.com/journals/ cmmm/2012/961257/ (accessed February 10, 2015).
  71. Van Horn, J.D., and A.W. Toga. 2014. Human neuroimaging as a “BigData” science.Brain Imaging Behavior 8(2):323–331.
  72. Hillebrandt, H., K. J. Friston, and S. J. Blakemore. 2014. Effective connectivity during animacy perceptiondynamic causalmodelling ofHumanConnectomeProject data. Sci. Rep. 4. Available at: http://www.ncbi.nlm. nih.gov/pmc/articles/PMC4150124/ (accessed February 10, 2016).
  73. Lappalainen, J., M.A. Sicilia, and B. Hern‚andez. 2013. Automatic hypothesis checking using eScience Research Infrastructures, ontologies, and linked data:Acase study in climate change research. Procedia Comput. Sci. 18:1172– 1178.
  74. Lenten, L. J., and I. A. Moosa. 2003. An empirical investigation into long-term climate change in Australia. Environ. Modell. Softw. 18(1):59–70.
  75. Borges,M.R. 2010. Efficient market hypothesis in European stock markets. Eur. J. Financ. 16(7):711–726.
  76. Bollen, J., H. Mao, and X. Zeng. 2011. Twitter mood predicts the stock market. J. Comput. Sci. 2(1):1–8.
  77. Spangler, S., A.D. Wilkins, B. J.Bachman, et al. 2014. Automated hypothesis generation based on mining scientific literature. KDD’14 Proceedings. New York. 1877–1886.
  78. Zhou, D., O. Bousquet, T.N. Lal, J. Weston, and B. SchЃolkopf. 2004. Learning with local and global consistency. Adv. Neur. Inform. Proc. Syst. 16(16):321–328.

ФОРМАЛЬНЫЙ АКСИОМАТИЧЕСКИЙ ПОДХОД К АСПЕКТНО-ОРИЕНТИРОВАННОМУ РАСШИРЕНИЮ ТЕХНОЛОГИЙ ПРОГРАММИРОВАНИЯ .

  • С.П. Ковалёв  Институт проблем управления им. В.А. Трапезникова Российской академии наук, kovalyov@nm.ru

Литература

  1. Репин В. В., Елиферов В. Г. Процессный подход к управлению. Моделирование бизнес-процессов. — М.: Манн, Иванов и Фербер, 2013. 544 с.
  2. Kiczales G., Lamping J., Mendhekar A., Maeda C., Lopes C. V., Loingtier J.-M., Irwin J. Aspect-oriented programming // 11th Conference (European) on Object- Oriented Programming Proceedings / Eds. M. Aksit, S.Matsuoka.— Lecture notes in computer science ser.— Springer, 1997. Vol. 1241. P. 220–242.
  3. Steimann F. The paradoxical success of aspect-oriented programming // Conference (International) OOPSLA’06 Proceedings. — Portland, 2006. P. 481–497.
  4. Colyer A., Clement A., Harley G., Webster M. Eclipse AspectJ: Aspect-oriented programming with AspectJ and the Eclipse AspectJ development tools. — Addison-Wesley, 2004. 504 p.
  5. Rashid A., Chitchyan R. Aspect-oriented requirements engineering: A roadmap // 13th Workshop (International) on Early Aspects Proceedings.—Leipzig, 2008. P. 35–41.
  6. Goguen J. Categorical foundations for General Systems Theory // Advances in cybernetics and systems research. — London: Transcripta Books, 1973. P. 121–130.
  7. Fiadeiro J.L., Lopes A., Wermelinger M. A mathematical semantics for architectural connectors // Generic programming — advanced lectures / Eds. R.C. Backhouse, J. Gibbons. — Lecture notes in computer science ser. — Springer, 2003. Vol. 2793. P. 190–234.
  8. Douence R., Fradet P., S.udholt M. Trace-based aspects // Aspect-oriented software development. — Reading: Addison Wesley, 2004. P. 201–218.
  9. Jagadeesan R., Pitcher C., Riely J. Open bisimulation for aspects // Conference (International) AOSD’07 Proceedings.— Vancouver, Canada, 2007. P. 107–120.
  10. Маклейн С. Категории для работающего математика / Пер. с англ. — М.: Физматлит, 2004. 352 с. (Mac Lane S. Categories for the working mathematician. — Berlin–Heidelberg–New York: Springer, 1978. 317 p.)
  11. Adamek J., Herrlich H., Strecker G. Abstract and concrete categories. — New York:: Wiley and Sons, 1990. 482 p.
  12. Ковалёв С.П. Формальный подход к аспектно-ориентированному моделированию сценариев // Сиб. журн. индустр. математики, 2010. Т. 13. №3. С. 30– 42.
  13. Gotel O., Finkelstein A. An analysis of the requirements traceability problem // 1st Conference (International) on Requirements Engineering Proceedings. — Colorado Springs, 1994. P. 94–101.
  14. Egyed A., Gr.unbacher P., Heindl M., Biffl S. Value-based requirements traceability: Lessons learned // Design requirements engineering: A ten-year perspective / Eds. K. Lyytinen, P. Loucopoulos, J. Mylopoulos, B. Robinson. — Lecture notes in business information processing ser. — Springer, 2009. Vol. 14. P. 240–257.
  15. Aizenbud-Reshef N., Nolan B., Rubin J., Shaham-Gafni Y. Model traceability // IBM Syst. J., 2006. Vol. 45. No. 3. P. 515–526.
  16. Goguen J. A categorical manifesto //Math. Struct. Comp. Sci., 1991. Vol. 1. No. 1. P. 49–67.
  17. Ковалёв С.П. Семантика аспектно-ориентированного моделирования данных и процессов // Информатика и её применения, 2013. Т. 7. Вып. 3. С. 70–80. 18. Pratt V. R. Modeling concurrency with partial orders // Int. J. Parallel Prog., 1986. Vol. 15. No. 1. P. 33–71.
  18. Sutton S.M., Rouvellou I. Concern modeling for aspectoriented software development // Aspect-oriented software development. — Reading: Addison Wesley, 2004. P. 479–505.
  19. Rashid A., Moreira A. Domain models are not aspect free // 9th Conference (International) on Model Driven Engineering Languages and Systems Proceedings / Eds. O. Nierstrasz, J.Whittle, D. Harel, G. Reggio.— Lecture notes in computer science ser.—Springer, 2006. Vol. 4199. P. 155–169.
  20. Андрюшкевич С.К., Ковалёв С.П. Динамическое связывание аспектов в крупномасштабных системах технологического управления // Вычисл. технологии, 2011. Т. 16.№6. С. 3–12.

УСТОЙЧИВЫЕ ЛИНЕЙНЫЕ УСЛОВНО ОПТИМАЛЬНЫЕ ФИЛЬТРЫ И ЭКСТРАПОЛЯТОРЫ ДЛЯ СТОХАСТИЧЕСКИХ СИСТЕМ С МУЛЬТИПЛИКАТИВНЫМИ ШУМАМИ .

  • И. Н. Синицын  Институт проблем информатики Российской академии наук, sinitsin@dol.ru
  • Э. Р. Корепанов  Институт проблем информатики Российской академии наук, ekorepanov@ipiran.ru

Литература

  1. Пугачев В. С., Синицын И.Н. Стохастические дифференциальные системы. Анализ и фильтрация. — М.: Наука, 1990. 632 с. (Pugachev V. S., Sinitsyn I.N. Stochastic differential systems. Analysis and filtering. —Chichester, New York: Jonh Wiley, 1987. 549 p.)
  2. Пугачев В. С., Синицын И.Н. Теория стохастических систем. — М.: Логос, 2000. 1000 с. (Stochastic systems. Theory and applications. — Singapore: World Scientific, 2001. 908 p.)
  3. Синицын И.Н. Фильтры Калмана и Пугачева. — 2-е изд. —М.: Логос, 2007. 776 с.
  4. Корепанов Э. Р. Стохастические информационные технологии на основе фильтров Пугачева // Информатика и её применения, 2011. Т. 5. Вып. 2. С. 36–57.
  5. Синицын И.Н., Синицын В.И. Лекции по нормальной и эллипсоидальной аппроксимации в стохастических системах. —М.: ТОРУС ПРЕСС, 2013. 476 с.
  6. Kalman R. A ne wapproach to linear filtering and prediction problems // J. Basic Eng. (ASME Trans.), 1960. Vol. 82D. P. 35–45.
  7. Ройтенберг Я.Н. Автоматическое управление. — 3-е изд., перераб. и доп. —М.: Наука, 1992. 576 с.
  8. Синицын И.Н. Параметрическое статистическое и аналитическое моделирование распределений в нелинейных стохастических системах намногообразиях //Информатика и её применения, 2013.Т. 7.Вып. 2.С. 4–16.

ВЫБОР ОПТИМАЛЬНОЙ МОДЕЛИ КЛАССИФИКАЦИИ ФИЗИЧЕСКОЙ АКТИВНОСТИ ПО ИЗМЕРЕНИЯМ АКСЕЛЕРОМЕТРА .

  • М. С. Попова  Московский физико-технический институт, maria popova@phystech.edu
  • В. В. Стрижов  Вычислительный центр Российской академии наук им. А. А. Дородницына, strijov@ccas.com

Литература

  1. Визильтер Ю.В., Горбацевич В. С., Каратеев С.Л., Костромов Н. А. Обучение алгоритмов выделения кожи на цветных изображениях лиц // Информатика и её применения, 2012. Т. 6. Вып. 1. С. 109–113.
  2. Токмакова А. А., Стрижов В. В. Оценивание гиперпараметров линейных и регрессионных моделей при отборе шумовых и коррелирующих признаков //Информатика и её применения, 2012. Т. 6. Вып. 4.С. 66– 75.
  3. Хапланов А.Ю. Асимптотическая нормальность оценки параметров многомерной логистической регрессии // Информатика и её применения, 2013. Т. 7. Вып. 2. С. 69–74.
  4. Myung I. J. The importance of complexity inmodel selection // J.Math. Psychol., 2000. Vol. 44.No. 1. P. 190–204.
  5. MacLeod C., Maxwell M. Incremental evolution in ANNs: Neural nets which grow// Artif. Intell. Rev., 2001. Vol. 16. No. 3. P. 201–224.
  6. Karnin E.D. A simple procedure for pruning back-propagation trained neural networks // IEEE Trans.Neural Networks, 1990. Vol. 1. No. 2. P. 239–242.
  7. LeCun Y., Denker L. S., Solla S. A. Optimal brain damage // Adv. Neur. Inform. Processing Syst., 1990. Vol. 2. No. 2. P. 598–605.
  8. Hassibi B., Stork D.G., Woff G. J. Optimal brain surgeon and general network pruning // IEEE Conference (International) on Neural Networks Proceedings, 1993. Vol. 1. P. 293–299.
  9. Hong-Gui H., Qi-li C., Jun-Fei Q. An efficient selforganizing RBF neural network for water quality prediction //NeuralNetworks, 2011. Vol. 24.No. 7. P. 717–725.
  10. Yang S., Chen Y. An evolutionary constructive and pruning algorithm for artificial neural networks and its prediction applications // Neurocomputing, 2012. Vol. 86. P. 140– 149.
  11. Pu X., Pengfei Sun P.A new hybrid pruning neural network algorithm based on sensitivity analysis for stock market forcast // J. Inform. Comput. Sci., 2013. Vol. 3. P. 883– 892.
  12. Knerr S., Personnaz L., Dreyfus G. Single-layer learning revisited: A stepwise procedure for building and training a neural network // Neurocomputing Algorithms Architectures Applications, 1990. Vol. 68. No. 1. P. 41–50.
  13. Strijov V., Krymova E., Weber S. V. Evidence optimization for consequently generated models // Math. Comput. Modell., 2010. Vol. 57. No. 1–2. P. 50–56.
  14. Леонтьева Л.Н. Последовательный выбор признаков при восстановлении регрессии // Машинное обучение и анализ данных, 2012. Т. 1. №3. С. 335–346.
  15. Зайцев А. А., Токмакова А. А. Оценка гиперпараметров линейных регрессионных моделей методом максимального правдоподобия при отборе шумовых и коррелирующих признаков //Машинное обучение и анализ данных, 2012. Т. 1.№3. С. 347–353.
  16. Kwapisz J. R., Weiss G.M., Moore S. Activity recognition using cell phone accelerometers // SIGKDD Explorations, 2010. Vol. 12. No 2. P. 74–82.
  17. Belsley D. A., Kuh E., Welsch R. E. Regression diagnostics: Identifying influential data and sources of collinearity. – New York: John Wiley and Sons, 2005. 302 p.
  18. Сандуляну Л.Н., Стрижов В. В. Выбор признаков в авторегрессионных задачах прогнозирования // Информационные технологии, 2012. Т. 7. С. 11–15.
  19. Попова М. С. Реализация стратегии пошаговой модификации нейронной сети // AlgorithmsMachine Learning, 2014. http://sourceforge.net/p/mlalgorithms/ code/HEAD/tree/Group174/Popova2014OptimalMode lSelection/code/main.m.

ОЦЕНКА ПОГРЕШНОСТИ И ЗНАЧИМОСТИ ИЗМЕРЕНИЙ ДЛЯ ЛИНЕЙНЫХ МОДЕЛЕЙ .

  • С. И. Спивак  Башкирский государственный университет, semen.spivak@mail.ru
  • О. Г. Кантор  Институт социально-экономических исследований Уфимского научного центра Российской академии наук, o kantor@mail.ru
  • Д. С.Юнусова  Башкирский государственный университет, kazakova d s@mail.ru
  • С. И. Кузнецов  Институт органической химии Уфимского научного центра Российской академии наук, chemorg@anrb.ru
  • С. В. Колесов  Институт органической химии Уфимского научного центра Российской академии наук, kolesovservic@rambler.ru

Литература

  1. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. — М.: Наука, 1976. 736 с.
  2. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ, 1998. 1022 с.
  3. Эконометрика / Под ред. И.И. Елисеевой. — М.: Финансы и статистика, 2006. 576 с. 4
  4. Марчук Г.И. Методы вычислительной математики.— М.: Наука, 1977. 457 с.
  5. Спивак С.И., Тимошенко В.И., Слинько М. Г. Методы построения кинетических моделей стационарных реакций // Химическая промышленность, 1979.№3. С. 33–36.
  6. Канторович Л.В. Экономический расчет наилучшего использования ресурсов. — М.: Изд-во Академии наук СССР, 1960. 347 с.
  7. Зуховицкий С.И., Авдеева Л.И. Линейное и выпуклое программирование. —М.: Наука, 1967. 460 с.
  8. Канторович Л.В., Горстко А. Б. Оптимальные решения в экономике. —М.: Наука, 1972. 231 с.
  9. Кузнецов С.И., Юмагулова Р. Х., Медведева Н. А., Хамидуллин Ф.Ф., Колесов С.В. Фуллеренсодержащие полимеры. Уф-спектроскопическое исследование // Высокомолекулярные соединения.Сер.А, 2012.Т. 54. №6. С. 859–864.
  10. Кузнецов С.И., Хамидуллин Ф.Ф., Юмагулова Р. Х., Медведева Н. А., Лебедев Ю. А., Колесов С. В. Самоорганизация функционализированных фуллереном C60 макромолекул полиметилметакрилата и полистирола // Высокомолекулярные соединения. Сер.А, 2012, Т. 54.№10. С. 1527–1531.
  11. Спивак С.И., Кантор О. Г. Оценка параметров моделей системной динамики // Журнал СВМО, 2011. Т. 13.№3. С. 107–113.
  12. Спивак С.И., Кантор О. Г., Салахов И. Р. О программе, корректирующей систему уравнений // Журнал СВМО, 2011. Т. 13.№4. С. 87–93.
  13. Спивак С.И., Кантор О. Г. Качество моделей математической обработки наблюдений социально-экономических систем // Системы управления и информационные технологии, 2012.№2(48). C. 44–49.
  14. Спивак С.И., Кантор О. Г. Оценка качества спецификации моделей системной динамики // Журнал СВМО, 2012. Т. 14.№2. С. 34–39.
  15. Спивак С.И., Кантор О. Г., Салахов И. Р. Вычислительная реализация оценки управляющих параметровмодели системной динамики //Вестник Башкирского университета, 2012. Т. 17.№4. С. 1658–1660.
  16. Спивак С.И., Кантор О. Г., Салахов И. Р. Алгоритм получения прогнозируемых параметров социально- экономических систем // Системы управления и информационные технологии, 2013.№4(54). С. 43–45.
  17. Спивак С.И., Кантор О. Г. Построение моделей системной динамики в условиях ограниченной экспертной информации // Информатика и её применения, 2014. Т. 8. Вып. 2. С. 112–122.

БАЙЕСОВСКАЯ РЕКУРРЕНТНАЯ МОДЕЛЬ РОСТА НАДЕЖНОСТИ:
БЕТА-РАВНОМЕРНОЕ РАСПРЕДЕЛЕНИЕ ПАРАМЕТРОВ .

  • Ю. В.Жаворонкова  ООО Спутник, juliana-zh@yandex.ru
  • А. А. Кудрявцев  Московский государственный университет им. М.В. Ломоносова, факультет вычислительной математики и кибернетики, nubigena@mail.ru
  • С. Я.Шоргин   Институт проблем информатики Российской академии наук, sshorgin@ipiran.ru

Литература

  1. Gnedenko B. V., Korolev V. Yu. Random summation: Limit theorems and applications.—Boca Raton, FL:CRCPress, 1996. 288 p.
  2. Королев В.Ю., Соколов И. А. Основы математической теории надежности модифицируемых систем. — М.: ИПИ РАН, 2006. 108 c.
  3. Кудрявцев А. А., Соколов И. А., Шоргин С. Я. Байесовская рекуррентная модель роста надежности: равномерное распределение параметров // Информатика и её применения, 2013. Т. 7. Вып. 2. С. 55–59.
  4. Жаворонкова Ю. В., Кудрявцев А. А., Шоргин С.Я. Байесовская рекуррентная модель роста надежности: бета-распределение параметров // Информатика и её применения, 2014. Т. 8. Вып. 2. С. 48–54.
  5. Градштейн И. С., Рыжик И.М. Таблицы интегралов, сумм, рядов и произведений. —М.:Наука, 1971. 1108 с.

К ОЦЕНКЕ ЭФФЕКТИВНОСТИ УЧЕБНО-ПОЗНАВАТЕЛЬНОЙ ДЕЯТЕЛЬНОСТИ УЧАЩИХСЯ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ .

  • О.М. Корчажкина  Институт проблем информатики Российской академии наук, olgakomax@gmail.com

Литература

  1. Капранов В.К., Капранова М.Н. ЭОР от Интернета до учителя //Информационные технологии в образовании XXI века: Сб. науч. тр. II Всеросс. науч.-практич. конф. -М.: НИЯУМИФИ, 2012. Т. 2. С. 297-300.
  2. Федеральный государственный образовательный стандарт основного общего образования / Минобрнауки РФ. -М.: Просвещение, 2011. 48 с.
  3. Ривкин Е.Ю. Профессиональная деятельность учителя в период перехода на ФГОС основного общего образования: Теория и технологии. - Волгоград: Учитель, 2014. 183 с.
  4. Информационные и коммуникационные технологии в образовании / Под. ред. Б. Дендева. - М.: ИИТО ЮНЕСКО, 2013. 320 с.
  5. Вихрев В. В., Христочевская А. С., Христочевский С. А. О новой концепции информатизации образования // Системы и средства информатики, 2014. Т. 24. №4. С. 162-172.
  6. Петти Д. Современное обучение: Практическое руководство / Пер. с англ. П. Кириллова. - М.: Ломоносовъ, 2010. 624 с. (Прикладная психология). (Petti D. Teaching today: A practical guide. - 4th ed. - Cheltenhem: Nelson Thornes, 2009. 624 p.)
  7. Концепция информатизации образования //Информатика и образование, 1990.№1. С. 3-9.
  8. Холодная М. А. Когнитивные стили. О природе индивидуального ума. -М.: ПЕР СЭ, 2002. 304 с.
  9. Bloom B. Developing talent in young people. -New York: Ballantine Books, 1985. 558 p.
  10. Bloom's Taxonomy and the Pedagogy Wheel. https:// www.gadsdenstate.edu/academics/elearning/pdf/First %20Friday%20Tech%20Tip%20Aug%202013.pdf.
  11. Чайка В.М. Таксономия целей обучения. http:// uchebnikionline.com/pedagogika/osnovi didaktiki - chayka vm/taksonomiya tsiley navchannya.htm.
  12. The Pedagogy Wheel. http://www.unity.net.au/ padwheel/padwheelposter.pdf, http://elearningstu?. net/wp-content/uploads/2013/06/padagogy-wheel.jpg.






 
© 2016 Институт проблем информатики Российской Академии наук Русский | English     Контакты