авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 5 | 6 ||

«ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ КАЗЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ВОРОНЕЖСКИЙ ИНСТИТУТ МВД РОССИИ ...»

-- [ Страница 7 ] --

75. Крамер, Г. Математические методы статистики / Г. Крамер. – М.:

Мир, 1975. – 648 с.

76. Красникова, А.В. Интегральная оценка инвестиционной привлека тельности предприятия / А.В. Красникова, А.В. Кавецкая // Конкурентоспо собность. Инновации. Финансы. – № 2 (6) / 2011. – С. 82-88.

77. Красноженов, Ю. Б. Введение в экспертные системы / Ю. Б Крас ноженов, П. В. Шумаков;

Моск. гос. акад. приборостроения и информатики.

– М.: МГАПИ, 1995. – 110 с.

78. Кремер, Н.Ш. Эконометрика: Учебник для вузов / Н.Ш. Кремер, Б.А. Путко. – М.:ЮНИТИ-ДАНА, 2002. – 311 с.

79. Крылова, Е. В. Экспертные системы. Обзор советской и зарубеж ной литературы / Е. В. Крылова. – М.: ИРЭ, 1992. – 40 с.

80. Кук, Н.М. Формальная методология приобретения и представления экспертных знаний / Н.М. Кук, Дж. Макдональд // ТИИЭР. – 1986. – Т. 74. – № 10. – С. 145-155.

81. Лавлинская, О.Ю. Моделирование структурных связей между объ ектами сложных систем с использованием методов аналитической эксперти зы / О.Ю. Лавлинская, Т.В. Курченкова // Вестник Воронежского института МВД России. – 2010. – № 4. – С. 105-110.

82. Ларичев, О.И. Выявление экспертных знаний / О.И. Ларичев [и др.]. – М.: Наука, 1989. – 361 с.

83. Лбов, Г.С. Устойчивость решающих функций в задачах распозна вания образов и анализа разнотипной информации / Г.С. Лбов, В.Б. Бериков.

– Новосибирск: Изд-во Ин-та математики, 2005. – 218 с.

84. Ленат, Д. Построение экспертных систем / Д. Ленат;

Под ред. Хей еса-Рота, Д. Уотермана, – М.: Мир, 1987. – 441 с.

85. Литвак, Б.Г. Экспертная информация: методы получения и анализа.

– М.: Радио и связь, 1982. – 184 с.

86. Лорьер, Д.Л. Системы искусственного интеллекта / Д.Л. Лорьер. – М.: Мир, 1991. – 320 с.

87. Люстерник, Л.А. Краткий курс функционального анализа: Учебное пособие / Л.А. Люстерник, В.И. Соболев. – М.: Высшая школа, 1982. – 271 с.

88. Мандель, И.Д. Кластерный анализ / И.Д. Мандель. – М.: Финансы и статистика, 1988. – 177 с.

89. Марселлус, Д.Н.. Программирование экспертных систем на Турбо Прологе / Д.Н. Марселлус. – М.: Финансы и статистика, 1994. – 372 с.

90. Мельников, А.В. Нечеткие множества количественных признаков объектов экспертизы / А.В. Мельников // Вестник Воронежского ин-та МВД России. – 2010. – № 4. – С. 111-116.

Мельников, А.В. Нечетко-множественный показатель качества 91.

объектов экспертизы // Системы управления и информационные технологии.

– 2011. – № 2.1 (44). – С. 204-208.

92. Мельников, А.В. Расширение метода анализа иерархий для опреде ления согласованности оценок экспертов / А.В. Мельников, А.В. Иванченко // Системы управления и информационные технологии. – 2012. – № 1 (47).. – С. 75-78.

93. Мельников, А.В. Метод анализа иерархий с разделяющимися при знаками ERP-систем / А.В. Мельников // Вестник Воронежского ин-та МВД России. – 2012. – № 2. – С. 53-59.

94. Методы и системы принятия решений. Экспертные системы в ав томатизированном проектировании: Сб. науч. тр. / Риж. политехнический ин т.– Рига: РПИ, 1990.–174 с.

95. Мешалкин, В. П. Экспертные системы в химической технологии:

Основы теории, опыт разработки и применения / В. П. Мешалкин. – М.: Хи мия, 1995.– 366 с.

96. Минский, М. Фреймы для представления знаний / Минский. – М.:

Энергия, 1979. – 271 с.

97. Миркин, Б. Г. Методы кластер-анализа для поддержки принятия решений: обзор: препринт WP7/2011/03 / Б. Г. Миркин. – М.: Изд. дом «Высшая школа экономики», 2011. – 88 с.

98. Мицкевич, А. А. Базы знаний и экспертные системы: Учеб. посо бие / А. А. Мицкевич, Е. А. Константинова, С. Г. Мухамедвалеева. –М.:

МИУ, 1989. – 79 с.

99. Мишин, В.М. Управление качеством: Учеб. пособие для вузов / В.М.Мишин. – М.: ЮНИТИ-ДАНА, 2000. – 303 с.

100. Модели выбора недоминируемых вариантов в численных схемах многокритериальной оптимизации / С.В. Белокуров, Ю.В. Бугаев, С.А. Мак сина, Ю.С. Сербулов, С.В. Чикунов. – Воронеж: Научная книга, 2005. – 199 с.

101. Моделирование и экспертные системы: Сб. науч. тр. / Моск. ин-т радиотехники, электроники и автоматики. – М.: МИРЭА, 1989. – 148 с.

102. Навоев, В.В. Экспертно-статистический метод оценки характери стик информационно-измерительных систем / В.В. Навоев. – Диссертация соиск. … канд. техн. наук.: специальность 05.13.18. – Воронеж: Воронежский институт МВД РФ, 2003. – 164 с.

103. Навоев, В.В. Использование аппаратно-экспертных оценок в ин формационной системе управления вневедомственной охраны / В.В. Навоев, А.В. Мельников, В.Д. Волков // Вестник Воронежского института МВД Рос сии. – 2012. – № 1. – С. 57-62..

104. Налоговый кодекс Российской Федерации (с изменениями и до полнениями на 04.04.2012 г.).

105. Недосекин, А.О. Применение теории нечетких множеств к задачам управления финансами. Часть 1. Анализ риска банкротства предприятия / А.О. Недосекин // Аудит и финансовый анализ. – 2000. – № 2. – С. 30-49.

106. Недосекин, А.О. Применение теории нечетких множеств к. анали зу риска инвестиций. / А.О. Недосекин. – [Электронный ресурс]. – http://www.cfin.ru/press/afa/2000-2/08-2.shtml.

107. Недосекин А.О. Методологические основы моделирования финан совой деятельности с использованием нечетко-множественных описаний:

дисс. … докт. экон. наук: 08.00.13 / А.О. Недосекин. – СПб, 2003. – 279 с.

108. Недбай, А. А. Основы квалиметрии. Версия 1.0 [Электронный ре сурс]: Электрон. учеб. пособие / А. А. Недбай, Н. В. Мерзликина. –– Красно ярск : Сибирский федеральный ун-т, 2008. – 126 с. – (http://library.krasu.ru/ft/ft_umkd/104/u_course.pdf).

109. Нейский И.М. Классификация и сравнение методов кластериза ции / И.М. Нейский // Интеллектуальные технологии и системы. Сборник учебно-методических работ статей аспирантов и студентов. Выпуск 8. – М:

Изд-во ООО «Эликс +», 2008. – С. 111-122.

110. Нечеткая логика – алгебраические основы и приложения / С.Л.

Блюмин, И.А. Шуйкова, П.В. Сараев, И.В. Черпаков. – Липецк: ЛЭГИ, 2002.

– 109 с.

111. Новорусский, В. В. Экспертные системы для решения задач диаг ностики, прогнозирования и управления функционированием энергетических систем и объектов: Подходы к синтезу / В. В. Новорусский;

Рос. акад. наук, Сиб. энерг. ин-т им. Л. А. Мелентьева. – Препр.–Иркутск: СЭИ, 1992. – 108 с.

112. Новые положения по бухгалтерскому учету. – 11-е изд., перераб. и доп. – М.: Проспект. – 192 с.

113. Ногин, В.Д. Основы теории оптимизации: Учебное пособие / В.Д.

Ногин, И.О. Протодьяконов, И.И. Евлампиев;

Под ред. И.О. Протодьяконова.

– М.: Высш. школа, 1986. – 384 с.

114. Обзор и сравнение основных ERP-решений на российском рынке:

Review of Hansa World [Электронный ресурс]. – Режим доступа:

http://hansa.dm.ru/pages/compare2 (дата обращения 14.04.2011).

115. Олдендерфер, М.С. Кластерный анализ / Факторный, дискрими нантный и кластерный анализ: Пер. с англ.;

Под. ред. И.С. Енюкова / М.С.Олдендерфер, Р.К. Блэшфилд. – М.: Финансы и статистика, 1989. – с.

116 Орлов, А.И. Допустимые средние в некоторых задачах экспертных оценок и агрегирования показателей качества / А.И. Орлов. – Многомерный статистический анализ в социально-экономических исследованиях. – М.:

Наука, 1974. – С. 388-393.

117. Орлов А.И. Нечисловая статистика / А.И. Орлов. – М.: МЗ-Пресс, 2004. – 348 с.

118. Оценка однородности суждений. Собственные векторы и собст венные значения матриц. [Электронный ресурс] / EcoSyn.Ru. – 2009. – 6 с. – (http:// www.ecosyn.ru / page 0011.html).

119. Осуга, С. Обработка знаний / С. Осуга;

Пер. с японск. В.И.

Этова. – М.: Мир, 1989. – 322 с.

120. Пахлеванян, А. Р. Экспертные системы для автоматизации про цесса контроля РЭС / А. Р. Пахлеванян;

Моск. авиац. ин-т. – М.: Изд-во МАИ, 1992. – 85 с.

121. Петрушин, В.А. Экспертно-обучающие системы / В.А. Петрушин.

– К.: Наук. думка, 1992. – 196 с.

122. Планирование решений в экономике [Электронный ресурс] / EcoSyn.Ru. – 2009. – 4 с. – (http://www.ecosyn.ru/index.html).

123. Подиновский, В.В. Парето-оптимальные решения многокритери альных задач / В.В. Подиновский, В.Д. Ногин. – М.: Физматлит, 2007. – с.

124. Померанцев, А. Метод главных компонент / А. Померанцев. – М.:

Российское хемометрическое общество, 2010. – 26 с. [Электронный ресурс].

– http://www.chemometrics.ru/materials/textbooks/pca.htm.

125. Пономарева, Е. Комплексная оценка качества хлебобулочных изделий / Е. Пономарева, М. Чурилов, О. Воропаева, М. Антонова // Хлебо продукты. – 2008. – № 3. – С. 23-27.

126. Попов, В.B. Статические и динамические экспертные системы (классификация, состояние, тенденции) / В.B.Попов, И.Б.Фоминых, Е.Б.Кисель. – М.: ЦРДЗ,1995. – 157 с.

127. Попов, Э. В. Статические и динамические экспертные системы:

Учеб. пособие / Э. В. Попов. – М: Финансы и статистика, 1997. – 320 с.

128. Попова Л.В. Учет и анализ банкротств: учебное пособие / Л.В. По пова, И.А. Маслова. – М.: Дело и сервис, 2009. – 240 с.

129. Портер, У. Современные основания общей теории систем / У.

Портер. – М.: Наука, 1971. – 556 с.

130. Поспелов, Г.С. Искусственный интеллект – основа новой инфор мационной технологии / Г.С. Поспелов. – М.: Наука, 1988. – 361 с.

131. Поспелов, Д.А. Моделирование рассуждений / Д.А. Поспелов. – М.: Радио и связь, 1989. – 412 с.

132. Поттосина, С.А. Экономико-математические модели и методы:

Учебное пособие / С.А. Поттосина, В.А. Журавлев. – Минск: БГУ информа тики и радиоэлктроники (БГУИР), 2003. – 95 с.

133. Представление знаний и экспертные системы: Сб. науч. тр. / АН СССР, Ленингр. ин-т информатики и автоматизации. – Л.: ЛИИАН, 1989. – 194 с.

134. Пригожин, Б. В. Современные экспертные системы и перспективы их применения в черной металлургии / Б. В. Пригожин.– М.: Ин-т «Черме тинформация», 1991.– 32 с.

135. Проблемы математического моделирования и экспертные систе мы: Вопросы кибернетики: Сб. ст. / АН СССР, Науч. совет по комплекс.

пробл. «Кибернетика». – М.: Науч. совет по комплекс. пробл. «Кибернетика»

АН СССР. – 1990. – 116 с.

136. Пустынникова, И.Н. Методология конструирования диагности рующей экспертной системы (на базе оболочки BESS) / И.Н. Пустынникова // Вісник Донецького університету. – Серія А. Природничі науки. – 1998. – № 1. – С. 182 - 187.

137. Пьянков, О.В. Алгоритм кластеризации объектов с учетом их рас пределения / О.В. Пьянков // Вестник Воронежского института МВД России.

– 2010. – № 4. – С. 91-96.

Рациональное распределение ресурсов между альтернативами 138.

(1С: Бухгалтерия – Парус) [Электронный ресурс] / EcoSyn.Ru. – 2009. – 6 с.

– (http:// www.ecosyn.ru / page 0019. html).

139. Рудакова, Г. М. Искусственный интеллект. Экспертные системы / Г. М. Рудакова;

М-во образования Рос. Федерации, Сиб. гос. технол. ун-т. – Красноярск: СибГТУ, 2002. – 87 с.

Ручкин, В.Н. Универсальный искусственный интеллект и экс 140.

пертные системы / В.Н. Ручкин, В.А. Фулин. – СПб.: Издательство БХВ, 2009. – 240 с.

141. Рыжов, А. П. Элементы теории нечетких множеств и ее приложе ний / А.П. Рыжов. – М.: МГУ, 2003. – 81 с.

142. Саати Т. Принятие решений: Метод анализа иерархий: Пер. с англ. / Т.Саати. – М.: Радио и связь, 1993. – 278 с.

143. Саати, Т.Л. Принятие решений при зависимостях и обратных свя зях. Аналитические сети: Пер. с англ. / Т.Л. Саати. – М.: Издательство ЛКИ, 2008. – 360 с.

144. Саати, Т. Аналитическое планирование. Организация систем : Пер.

с англ. /Т. Саати, К.М. Кернс. – М.: Радио и связь, 1991. – 224 с.

145. Селезнева, Н.Н. Финансовый анализ / Н.Н. Селезнева, А.Ф. Ионо ва. – М.: ЮНИТИ-ДАНА, 2002. – 470 с.

146. Сазыкин, В.Г. Особенности решения задач экспертными система ми реального масштаба времени / В.Г. Сазыкин // Приборы и системы управ ления. – 1995. – № 10. – С.56 -58.

147. Слуцкин, Л.Н. Обобщенный метод моментов / Л.Н. Слуцкин // Прикладная эконометрика. – 2007. – № 3 (7). – С. 119-133.

148. Сойер, Д. Программирование экспертных систем на Паскале / Д.

Сойер, Д.В. Фостер. – М.: Финансы и статистика 1990. – 136 с.

149. Современная теория систем управления: Пер. с англ. / Под ред.

К.Т. Леондеса. – М.: Наука, 1970. – 512 с.

150. Соложенцев, Е. Д. Введение в интеллектуальные АРМ и эксперт ные системы в машиностроении: Учеб. пособие / Е. Д. Соложенцев;

Ленингр.

ин-т авиац. приборостроения. – СПб.: ЛИАП, 1991. – 85 с.

151. Статистические методы анализа экспертных оценок: Сб. статей. – М.: Наука, 1977. – 320 с.

152. Талдыкин, А.Т. Элементы прикладного функционального анализа:

Учебное пособие / А.Т. Талдыкин. – М.: Высшая школа, 1982. – 383 с.

153. Таунсенд, К. Проектирование и программная реализация экс пертных систем на персональных ЭВМ / К. Таунсенд. – М.: Финансы и ста тистика, 1990. – 145 с.

154. Темкин, И. О. Экспертные системы в управлении: Учебное посо бие / И.О. Темкин;

Моск. гос. горн. ун-т. – М.: МГГУ,1994. – 46 с.

Темнышов, А. А. Математическое моделирование адаптивных 155.

экспертных систем статистической обработки информации / А.А. Темнышов.

– Дисс. …канд. техн. наук.: специальность 05.13.01. – Воронеж: Воронеж ский институт МВД России, 2010. – 162 с.

156. Трахтенгерц, Э.А. Компьютерная поддержка принятия решений / Э.А.Трахтенгерц, К.Фохт. – М.: СИНТЕГ, 1998. – 87 с.

157. Треногин, В.А. Функциональный анализ: Учеб. пособие / В.А.

Треногин. – М.: Наука, 1980. – 495 с.

158. Тульчин, Л.Г. Оценка качества электроизмерительных приборов / Л.Г. Тульчин, В.Д. Шаповалов. – Л.: Энергоиздат, 1982. – 216 с.

159. Убейко, В. М. Экспертные системы: Учеб. пособие / В.М. Убейко, В.В. Убейко;

Моск. авиац. ин-т им. Серго Орджоникидзе. – М.: Изд-во МАИ, 1992.– 82с.

160. Уилкс, С. Математическая статистика: Монография / С. Уилкс. – М.: Наука, 1967. – 632 с.

161. Уотшем, Т.Дж. Количественные методы в финансах: Учеб. посо бие для вузов: Пер. с англ. / Т.Дж.Уотшем, К. Паррамоу. – М.: ЮНИТИ, 1999. – 527 с.

162. Уотермен, Д. Руководство по экспертным системам / Д. Уотермен.

– М.: Мир, 1989. – 388 с.

163. Фишберн, П.К. Измерение относительных ценностей / П.К. Фиш берн. – В кн.: Статистическое измерение качественных характеристик. – М.:

Статистика, 1972. – С. 42-47.

164. Френкс, Л. Теория сигналов: Пер. с англ. / Л. Френкс. – М.: Сов.

радио, 1974. – 344 с.

165. Фукунага К. Введение в статистическую теорию распознавания образов: Пер. с англ. / К. Фукунага. – М.: Наука, 1979. – 368 с.

166. Функционально-стоимостный анализ промышленной продукции [Электронный ресурс] / EcoSyn.Ru. – 2009. – 9 с. – (http:// www.ecosyn.ru / page 0018. html).

167. Хайкин С. Нейронные сети: полный курс / С. Хайкин;

Пер с англ. – 2-ое изд. – М.- СПб.- Киев: Вильямс, 2006. – 688 с.

168. Хаймур, М. Х. Система рационального выбора медико технического оснащения службы скорой медицинской помощи / М.Х. Хай мур. –

Автореферат дисс. … канд. техн. наук. – СПб. – 2008. – 16 с.

169. Частиков, А.П. Разработка экспертных систем. Среда CLIPS / А.П.

Частиков, Т.А. Гаврилова, Д.Л. Белов. – СПб.: БХВ-Петербург, 2003. – с.

170. Черемхин, М. К. Экспертные системы: Учеб. пособие для вузов / М. К. Черемхин. – М.: Изд-во МГОУ, 1994. – 76 с.

171. Чернов, В. Г. Модели поддержки принятия решений в инвестици онной деятельности на основе аппарата нечетких множеств / В.Г.Чернов. – М.: Изд.-во: Горячая Линия – Телеком, 2007. – 312 с.

Чернышов, Е. Э. Бортовые экспертные системы авиационных 172.

комплексов: Учеб. пособие / Е. Э. Чернышов. – СПб.: Радиоавионика, 1996. – 256 с.

173. Шенк, Х. Теория инженерного эксперимента: Пер. с англ. / Х.

Шенк. – М.: Мир, 1972. – 381 с.

174. Шепард, Р.Н. Многомерное шкалирование и безразмерное пред ставление различий / Р.Н. Шеппард // Психологический журнал. – 1980. – Том 1. – № 4. – С. 19-41.

175. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику / С.Д.Штовба [электронный ресурс]. – 2012 – 338 с. – http://matlab.exponenta.ru/fuzzylogic/book1/index.php.

176. Шутилин, Ю.Ф. О качестве резин, содержащих цинковые белила различных марок / Ю.Ф. Шутилин, И.Г. Пугач, О.В. Карманова // Каучук и резина. – 1996. – № 2. – С. 43-45.

177. Экспертные М-системы в организации налогового учета / С. В.

Бухарин, С. Н. Головко, А. В. Мельников и др.: Монография;

Под ред. С. В.

Бухарина. – Липецк: ЛГТУ, 2003. – 146 с.

178. Экспертные системы авиационно-космического назначения: Учеб.

пособие / А. В. Никитин, М. Г. Зеленский, А. П. Панков и др.;

Санкт Петербург. гос. акад. аэрокосмич. приборостроения. – СПб.: СПбГААП, 1993. – 89 с.

179. Экспертные системы в промышленности, приборо- и машино строении: Сб. науч. тр. – М.: Отеч. и иностр. лит, 1991. – 216 с.

180. Экспертные системы в решении задач комплексной автоматиза ции проектирования и производства РЭА: Материалы конф. / 4-я Междунар.

конф 6-7 июня 1989 г., Ленинград. – Л.: ЛДНТП, 1989. – 67 с.

181. Экспертные системы для персональных компьютеров: Методы, средства, реализации: Справ. пособие / В. С. Крисевич и др. –Минск: Вы шэйш. шк., 1990. – 190 с.

182. Экспертные системы и инструментальные методы формализации знаний: Сб. науч. тр. / Всесоюз. заоч. политехн. ин-т;

Ред. Ю. М. Хамидулин.

– М.: ВЗПИ, 1989. – 98 с.

183. Экспертные системы на персональных компьютерах: Матер. сем. – М.: МДНТП, 1990. – 140 с.

184. Экспертные системы: инструментальные средства разработки:

Учеб. пособие / Л. А. Керов и др. – СПб.: Политехника, 1996. – 218 с.

185. Экспертные системы: Матер. конф. ВНТО приборостроителей за 1988-1990 гг. / Моск. гор. правл., ВНИИ информ. и экономики «Информпри бор». – М.: Ин-т «Информприбор», 1990. – 115 с.

186. Экспертные системы: Принципы работы и примеры / А. Брукинг, П. Джонс, Ф. Кокс и др.;

Под ред. Р. Форсайта;

Пер. с англ. С. И. Рудаковой.

– М.: Радио и связь, 1987. – 220 с.

187. Экспертные системы: Сб. тез. докл. / Всесоюз. совещ., Суздаль, дек. 1990. – М.: ИПУ, 1990. – 190 с.

188. Экспертные системы: Сб. тр. / Ред. Б. М. Васильев. – М.: Знание, 1990. – 147 с.

189. Экспертные системы: состояние и перспективы: Сб. науч. тр. / АН СССР, Ин-т пробл. передачи информ.;

Отв. ред. [и авт. предисл.] Д. А. По спелов. – М.: Наука, 1989. – 150 с.

190. Элти, Д. Экспертные системы: концепции и примеры: Пер. с англ.

/ Д. Элти, Д. Кумбс. – М.: Финансы и статистика, 1987. – 221 с.

191. Эндрю, А. Искусственный интеллект: Пер. с англ. / А. Эндрью. – М.: Мир, 1985. – 312 с.

192. Эсбенсен, К. Анализ многомерных данных. Избранные главы:

Пер. с англ. / К. Эсбенсен;

Под ред. О.Е. Родионовой. – Черноголовка, Изд-во ИПХФ РАН, 2005. – 160 с.

193. Яхъяева, Г. Э. Нечеткие множества и нейронные сети / Г.Э. Яхъ яева. – М.: Издательство: Интернет-университет информационных техноло гий, Бином. Лаборатория знаний, 2011. – 320 с.

194. Aikins, J.S. Prototypical knowledge for expert systems / J.S. Aikins // Artificial Intelligence. – 1983. – V. 20. – P.163-210.

195. Atanov, G. Learning by constructing knowledge bases for expert sys tems / G. Atanov, I. Pustynnikova // Proc. International Conf. on Computers in Ed ucation. – 1999. – V. 2. – Chiba, Japan. – P. 555 - 558.

196. Bach, F.R. Beyond Independent Components: Trees and Clusters / F.R.

Bach, M.I. Jordan // Journal of Machine Learning Research. – 2003. – № 4. – P.

1205-1233.

197. Bozki S. Solving the least squares method problem in the AHP for 33 and 44 matrices / S. Bozki, R. Lewis // ISAHP 2003, Bali, Indonesia, August 7-9, 2003. – P. 161-162.

198. Choo, E.U. A common framework for deriving preference values from pairwise comparison matrices / E.U. Choo, W.C. Wedley // Computers & Opera tions Research. – 2004. – Vol. 27. – P.893–908.

199. Chu A., Kalaba R., Springarn R. A Comparison оf Two Methods for Determining the weights of Belonging to Fuzzy Sets // J. of Optimization theory and applications. – 1979. – Vol. 27. – № 4. – P. 531 – 538.

200. Duda R.O. Knowledge-based exspert systems come of age / R.O.

Duda, J.G. Gaschnig // BYTE. – 1981, V. 6. – № 9. – P. 238 - 281.

201. Duda, R.O. Expert systems Research / R.O. Duda. – N.Y.: Science, 1983. – 261 p.

202. Feigenbaum, E.A. Themes and case studies of knowledge engineering / E.A. Feigenbaum // Expert system in micro electronic age. – Edinburgh: Infotach Limited, 1979. – P.3-25.

203. Fern, X.Z. Clustering ensembles for high dimensional data clustering / X.Z. Fern, C.E. Brodley // In Proc. International Conference on Machine Learning.

– N.Y., 2003. – P.186-193.

204. Fred, A. Combining multiple clusterings using evidence accumulation / A. Fred, A.K. Jain // IEEE Tran. on Pattern Analysis and Machine Intelligence. – 2005. – V. 27. – P. 835-850.

205. Gorban, A. N. Principal Manifolds for Data Visualisation and Dimen sion Reduction, Series: Lecture Notes in Computational Science and Engineering / A.N. Gorban, B. Kegl, D. Wunsch, A.Y. Zinovyev. – Berlin – Heidelberg – New York: Springer, 2007, XXIV. – 340 p.

206. Gorban, A.N. Principal manifolds and graphs in practice: from molecu lar biology to dynamical systems / A. N. Gorban, A. Zinovyev // International Journal of Neural Systems. – 2010. – Vol. 20. – No. 3. – P. 219–232.

207. Greiner, R. A representation language / R. Greiner, D. Lenat // The first national conference on Artificial Intelligence. – Stanford: Stanford University Press, 1980. – P. 165-169.

208. Harmon, P. The Market for intelligent Software Products / Paul Har mon // Intelligent Software Strategies. – 1992. – № 2. – P. 5 -12.

209. Harmon, P. Gensym's Real-Time Expert System / P. Harmon // Intel ligent Software Strategies. – 1993. – Vol. 9. – No. 3. – P. 36-44.

210. Hayes-Roth, F. The State of Knowledge Based Systems / F. Hayes Roth, N. Jafobstein // Communications of the ACM. – 1994, March. – V.37. – No.3. – P. 27- 39.

211. Hong, Y. To combine steady-state genetic algorithm and ensemble learning for data clustering / Y. Hong, S. Kwong // Pattern Recognition Letters/ – 2008. – V. 29 (9). – P. 1416-1423.

212. Hsieh, W.W. Nonlinear principal component analysis of noisy data / W.W. Hsieh // Neural Networks. – 2007. – V.20. – № 4. – P. 434-443.

213. Jain, A.K. Data Clustering: A Review / A.K. Jain, M.N. Murty, P.J.

Flynn // ACM Computing Surveys. – 1999. – Vol. 31. – No. 3. – P. 26-33.

214. Jolliffe, I.T. Principal Component Analysis, Series: Springer Series in Statistics / I.T. Jolliffe. – N.Y.: XXIX, Springer, 2002. – 487 p.

215. Loofbourrow, T. Экспертные системы еще живы / T. Loofbourrow // Компьютеруик. – 1995. – № 36. – С. 21-27.

216. Kontio J. Defining factors, goals and criteria for reusable component evaluation / J. Kontio, G. Caldiera, V. Basili. – Carson 96 conference, Toronto, November 12-14, 1996. – Р. 122-134.

217. Lu, Y. Incremental genetic k-means algorithm and its application in gene expression data analysis / Y. Lu, S. Li, F. Fotouhi, Y. Deng, S. Brown // BMC Bioinformatics. – 2004. – № 2. – P. 17-32.

218. Maydeu-Olivares, A. Limited information estimation and testing of Thurstonian models for preference data / A. Maydeu-Olivares // Mathematical So cial Sciences. – 2002. – V. 43. – P. 467-483.

219. Moore R.L. Expert Systems in Real-Time Applications: Experience and Opportunities / R.L. Moore. – Proceeding the 17-th Annual Adv. Control Con ference, West Japan. – 1999. – P. 555-558.

220. Muresan, D.D. Adaptive principal components and image denoising / D.D. Muresan, T.W. Parks // Proceedings 2003 International Conference on Image Processing, 14-17 Sept. 2003. – V.1. – P. 101-104.

221. Strehl, A. Clustering ensembles – a knowledge reuse framework for combining multiple partitions / A. Strehl, J. Ghosh // The Journal of Machine Learning Research. – 2002. – V.3. – P. 583-617.

222. Thurstone, L.L. A law of Comparative Judgement / L.L. Thurstone // Psychological Review. – 1927. – V. 34. – P. 278-286.

223. Yager R. Ranking fuzzy numbers using weighted valuations / R.

Yager, M. Detyniecki // International Journal of Uncertainty, Fuzziness and Knowledge-based Systems. – 2000. – № 8. – P. 573-591.

224. Yaghmai, N.S. Expert systems: a tutorial / N.S. Yaghmai, J.A. Maxin // J. Amer. Soc. Inorm. Sci. – 1984. – № 5. – P. 297-305.

225. Zadeh L.A. Possibility theory versus probability theory in decision analysis // IEEE Conf. of Decision and Control: Proc. 1977. New Orleans. 1977. – P. 1267-1269.

226. Zimmermann H.J. Fuzzy Sets, Decision-Making and Expert Systems. – Dordrecht: Kluver Academic Publ., 1987. – 352 p.

227. Zwick, R. A note on random sets and the thurstonian scaling methods / R. Zwick // Fuzzy Sets and Systems. – 1987. – V.21. – P. 351-356.

Приложения Приложение Снижение размерности признакового пространства и выбор наиболее информативных показателей В практической экспертной деятельности приходится сталкиваться с ситуациями, когда общее число признаков объекта m очень велико (10-100).

Тогда имеющиеся многомерные оценки n экспертов следует подвергнуть статистической обработке и представить каждое из этих наблюдений Xi в виде нового вектора некоторых вспомогательных переменных размерности m1, существенно меньшей, чем m. Это объясняется следующими причинами:

- необходимостью наглядного представления (визуализации) исходных данных в трех- или двумерном пространстве;

- стремлением к облегчению интерпретации полученных статистиче ских выводов;

- необходимостью сжатия объемов хранимой статистической информа ции без видимых потерь в ее информативности.


Итак, имеются множества данных, в которых содержится большое число коррелированных или избыточных переменных. Это не только ведет к неэффективности вычислений в анализе данных, но может также привести к численным ошибкам (например, при обращении матриц). В этих случаях требуется найти метод, который позволяет сжимать данные в меньшее число ортогональных переменных. Для выполнения этого существует группа мето дов, котрые в совокупности относятся к методам факторного анализа.

Наиболее фундаментальным из этих методов является метод главных компонент (МГК). Как в иностранной, так и в отечественной литературе он часто называется Principal Component Analysis (PCA), который сжимает дан ные к их наиболее доминирующим факторам. В этом случае новые ортого нальные переменные называются главными компонентами (principal components).

Одним из самых эффективных алгоритмов PCA является NIPALS (Nonlinear Iterative Partial Least Squares). Встроенная функция Mathcad Nipals зависит от множества исходных данных, желаемого числа главных копонент, максимального числа итераций, и рассчитывает нагрузки, счета (т.е. главные компоненты) и процент полной дисперсии, объясняемой глав ными компонентами.

Функция Nipals2 позволяет нам извлекать дополнительные компонен ты из тех же самых данных без переделки предыдущих расчетов.

Для иллюстрации работы PCA применим упомянутый выше алгоритм к снижению размерности признакового пространства на примере анализа матрицы реальных данных экспертизы (см. монографию Бухарин С.В., Мельников А.В. Кластерно-иерархические методы экспертизы экономиче ских объектов. - Воронеж: Научная книга, 2012. - С.159, табл. 4.2.1).

Обычно данные представляют собой эллиптическое множество точек, которые лежат почти в одной плоскости. Это происходит потому, что пере менные достаточно сильно связаны, и отклонение их от идеальной плоско сти происходит только вследствие шума. Однако в задачах обработки экс пертных оценок это не так, поскольку первоначальные оценки даются дис кретно - по пятибалльной шкале. Поэтому всегда требуется нормировка де лением на среднеквадратическое отклонение значений по каждому столбцу.

Такая нормировка называется шкалированием.

DATA 0 1 2 3 4 DATA DATA 0 1 23 4 DATA Для рассматриваемой матрицы данных, отражающей оценки m= признаков, невозможно представить оценки экспертов графически. Поэтому выше мы ограничились двумя примерами иллюстрации зависимостей между данными только в двумерном пространстве. Различие между графиками под тверждает незначительную корреляцию признаков.

PCA использует n-мерное пространство данных и определяет новое множество ортогональных осей (т.е. новых переменных), которые описыва ют изменения в данных оптимальным образом. Новые переменные опти мальны в том смысле, что первая из них описывает максимальное количест во возможных изменений (т.е. максимальную дисперсию), вторая перемен ная описывает максимальное количество оставшихся изменений и т.д. Они называются главными компонентами массива данных. В тех множествах данных, в которых исходные переменные взаимозависимы или коррелирова ны, наивысшие главные компоненты близки к нулю (обычно, это просто шум), и могут быть отброшены. Основополагающие, ортогональные (некор релированные) переменные называются латентными (скрытыми) перемен ными, и требуемое их число для описания данных - ранг данных.

PCA вращает данные таким образом, чтобы максимальное количество дисперсии могло быть объяснено первыми новыми переменными (т.е. длин ная ось эллиптического "облака" должна быть параллельной x-оси). Макси мальное количество остаточной дисперсии, которая не объяснена первой пе ременной, объясняется второй переменной. Конечно, вторая переменная должна быть ортогональна первой. Любые изменения, не объясненные пер выми двумя переменными, объясняются третьей. В этом примере все значе ния для третьей переменной очень малы, так что для дальнейших целей мы можем отбросить их. Итак, мы сжимаем данные.

Первый шаг в PCA - усреднить центр данных, т.е. вычесть среднее из всех переменных. Это делается автоматически с помощью функции Nipals.

cols ( DATA 1 ) i 0 cols ( DATA ) i MeanDATAi mean DATA i 0 rows ( DATA ) i i T Centered DATA MeanDATA T Centered Centered Приведем примеры центрирования:

0. 1. 0. 2. Centered 1. 0. 2. 0. 0. 0. 1. Centered 0. 0. 3. Данные теперь центрированы относительно "начала". Создадим новое пространство переменных, используя функцию Nipals. Рассчитаем шесть главных компонент, которые предполагаются максимально информативны ми. Кроме того, зададим максимальное число итераций и точность расчетов.

NumPC MaxIter Acc Во многих приложениях PCA также желательно шкалировать данные так, чтобы переменные имели равные веса, например, когда различные пе ременные имеют различные единицы измерения. Шкалирование каждой пе ременной (т.е. колонки DATA) к единице измерения является обычно рас пространенным.

В нашем случае переменные безразмерны, однако результаты эксперт ных оценок дискретны (пятибалльная шкала) и шкалирование требуется для перехода к непрерывной шкале. Поэтому нам нельзя использовать параметр "no scaling", и мы выберем "scale".

NI PALS_Result Nipals( DATANumPC MaxIter "scale" Acc ) {7,6} {10,6} {6,1} NI PALS_Result {6,1} {7,10} {6,1} Выходные данные есть составная матрица NIPALS_Result. Определим счета для данного множества данных. Счета являются нашими новыми пре ременными.


SCORES NIPALS_Result SCORES scores ( NI PALS_Result ) Приведем примеры счетов:

Сравним полученные в Mathcad счета to,t1 (график слева) с теми же счетами, определенными в пакете Mathlab при использовании функции svd.

Как видим, расположение точек на верхнем левом и нижнем графике совершенно аналогично (с учетом разницы масштабов). Четыре точки обра зуют кластер, соответствующий группе экспертов, удовлетворяющий усло вию согласованности. Условно к этому же кластеру можно отнести и пятую точку, лежащую в правой полуплоскости.

Таким образом, полученные счета отражают корреляционные связи между векторами оценок экспертов, установленные в разделе 4.2 упомяну той монографии: седьмой эксперт дает оценки, противоречащие оценкам ос тальных экспертов, четвертый эксперт дает заведомо заниженные оценки, а векторы оценок остальных пяти экспертов достаточно хорошо коррелирова ны.

Упомянутые графики характеризуют соотношение двух основных сче тов to,t1. На верхнем правом графике представлено соотношение других счетов to,t2. Счет t2 носит вспомогательный, корректирующий характер по сравнению с предыдущими счетами и принимает меньшие значения (-0.7, 1.0) по сравнению со счетом t1 (-2.3, 2.8). Однако и здесь виден кластер, со стоящий из пяти точек, лежащих в правой полуплоскости.

Как известно, метод PCA представляет матрицу DATA в форме DATA=T.PT. Столбцы матрицы T называются счетами ti, а столбцы матрицы P называются векторами нагрузок pj. Использованная встроенная функция NIHALS позволяет определять и нагрузки Сравнение функций Nipals, svds Столбцы матрицы T являются собственными векторами произведения DATA.DATAT, нормированных на величины (i)0,5, где i являются собст венны- ми значениями. Важно заметить, что нагрузки являются ненулевыми собствен- ными векторами произведения матриц DATAT.DATA. Однако, это большая мат- рица, так что с вычислительной точки зрения лучше уравнение которое является сингулярным разложением матрицы DATA. Для многих наборов данных мы можем фактически использовать встроенную функцию Mathcad's - svds для того, чтобы рассчитать счета и нагрузки, однако в общем случае это является нежелательным. Во-первых, если мы используем метод SVD (Singular Value Decomposition), мы должны калькулировать все счета, даже если мы знаем, что не нуждаемся в расчете счетов высших порядков. В большинстве случаев, сильно избыточные данные SVD приводят к вычисли тельной неэффективности.

Во -вторых, svds-функция требует, чтобы число строк в исходной матрице данных DATA было больше, чем число столбцов - если мы имеем больше измерений (образцов), чем количество переменных (признаков), как в рассмотренном выше примере.

На следующей странице приведены результаты расчета нагрузок с ис пользованием процедуры NIHALS (см. таблицу). Нагрузки, в отличие от сче тов, характеризуют проекции векторов признаков, т.е. столбцов исходной матрицы экспертных оценок DATA.

Далее, для краткости записи, введены вспомогательные переменные M,N и приведен график нагрузок (см. верхний рисунок). Как видим, образо валось два кластера: первый, из пяти точек, в правой полуплоскости и вто рой, из трех точек, в левой полуплоскости.

Ниже представлены для сравнения результаты расчетов методом SVD помощью программного продукта Mathlab. Графики полностью совпадают.

0 1 2 3 0 -0.09836 -0.56456 0.45154 0.0988 -0. 1 0.38524 0.06949 0.04165 0.03505 -0. 2 0.33232 -0.18027 -0.59387 -0.48644 0. 3 0.36368 -0.13259 0.24534 -0.3738 -0. loadings( NI PALS_Result ) 4 0.33707 -0.25632 -0.20183 0.52002 0. 5 0.35936 -0.15775 0.10991 0.40058 0. 6 -0.16311 -0.515 -0.48075 0.15762 -0. 7 0.37531 -0.11484 0.26966 -0.2134 0. 8 0.38524 0.06949 0.04165 0.03505 -0. 9 -0.20147 -0.50254 0.15203 -0.33192...

M loadings( NI PALS_Result ) N loadings( NI PALS_Result ) Вычисление собственных значений Для оценки относительной значимости различных главных компонент и определения их достаточного числа необходимо найти собственные значе ния произведения матриц DATA.DATAT. Воспользуемся процедурой NIPALS:

0 39. 1 16. PCAeigenvals( NI PALS_Result ) 2 2. 3 1. 4 0. 5 0. Для краткости записи введем вспомогательные векторы PC 39. 16. 2. 1. 0. 0. Как видим, большое исходное множество данных экспертизы (7 векто ров оценок экспертизы и 10 векторов оценок признаков) может с достаточ ной точностью описываться всего 2 векторами главных компонент. Принято считать, что компонента, соответствующая "перелому" кривой на вышепри веденном графике, в методе PCA уже не учитывается.

Для уточнения сделанного вывода необходимо оценить остаточную дисперсию шума модели PCA, рассчитываемую на основе матрицы "остат ков".

Дисперсия остатков Метод PCA использует следующую модель представления данных DATA = T.PT + E, где Т - матрица счетов, Р - матрица нагрузок, Е - матрица остатков. Ал горитм NIPALS является итеративным и последовательно вычисляет векто ры счетов и векторы нагрузок. Исходной информацией для первого шага является сама матриц DATA, а для следующих шагов - соответствующие матрицы остатков.

Поэтому по эффективности каждой новой главной компоненты мож но судить по полной дисперсии остатков (остаточной дисперсии) - TRV (Total Residual Variance). Поскольку источником информации на каждом ша ге алгоритма являлась TRV, то использованная ее часть называется объяс ненной -ERV (Explained Residual Variance), так что справедливо соотноше ние TRV = 1 - ERV.

Определим объясненную дисперсию с использованием процедуры NIPALS:

0. 0. 0. PCAvarianc e ( NI PALS_Result ) 0. 0. Введем вспомогательные векторы I 0. 0. 0. ERV 0. 0. 1. Определим полную (остаточную) дисперсию после нахождения каж дой из ГК TRV ERV Как видим, большое исходное множество экспертных данных может с высокой точностью описываться всего двумя главными компонентами, по скольку относительный вклад уже третьей компоненты весьма мал - около %, а вклад четвертой компоненты вообще ничтожен.

В целом, алгоритм NIPALS (Nonlinear Iterative Partial Least Squares) рассчитывает счета, нагрузки, собственные значения, объясненную диспер сию остатков. Он численно очень устойчив, может работать с произвольны ми массивами данных, вычисляет лишь столько главных компонент, сколько нам необходимо.

Как было показано выше, применение алгоритма оказалось эффектив ным для существенного сокращения размерности больших массивов экс пертных данных.

Приложение Характеристика высокотехнологичных электронных устройств Таблица П.2. Типовой прайс-лист мобильных телефонов Продолжение таблицы П.2. Таблица П.2. Типовой прайс-лист компьютеров Компьютер Образец № 1 2 3 Производитель Acer Acer Acer ASUS Модель Aspire Aspire 3692 Aspire Z99H 3682WXC WXM 3692WLM Цена, рубли 20571 20706 22677 Процессор Intel (R) Intel(R) Intel(R) Intel(R) Модель Celeron(R)-М Celeron(R)-М Celeron(R)-M Celeron(R)-M Тактовая час- 1600 1600 2300 тота Частота шины процессора 533 533 533 Mhz L2 Кэш Kb 1024 1024 1024 Intel(R) Intel(R) Intel(R) lntel(R) Модель 940GML 940GML 940GML 940GML Express Express Express Express FSB Mhz 533 533 533 Северный мост 82940GML 82940GML 82940GML 82945GML (MCH) (MCH) (MCH) (MCH) 82801GBM 8280 1GBM 8280 1GBM 8280 1GBM Южный мост (ICH7-M) (ICH7-M) (ICH7-M) (ICH7-M) Дисплей Тип дисплея WXGA WXGA WXGA WXGA диагональ 14,1“ 14,1" 15,4" 14“ Максимальное 1280x800 1280x800 1280x800 1280x разрешение Количество 16,7 16,7 16,7 16, цветов, млн.

Покрытие giare giare Жесткий диск Объем Gb 60 60 80 Интерфейс ATA-100 ATA-100 ATA-100 ATA- Скорость вра- 4200 4200 4200 щения rpm Продолжение таблицы П.2. Оперативная память Объем 512 512 1024 Тип памяти DDR2-400 DDR2-400 DDR2-400 DDR2- Частота шины Mhz видеопод- 100 100 100 система видеопроцес- lntel(R)950 Intel(R)950 lntel(R)950 Intel(R) сор GMA GMA GMA GMA Объем видео- 64 64 128 памяти Mb Тип видеопа- DVMT3,0 DVMT 3,0 DVMT 3,0 DVMT 3, мяти Встроенная да да да да шина видео карты Аудиоподсистема Кодек AC97 AC97 AC97 AC Звуковой про- AC972,0 AC97 2,0 AC972,0 Intel(R) High цессор Встроенная Совместимый Совместимый Совместимый Definition Audio 4 встроенные 4 встроенные 4 встроенные 4 встроенные Количество ка динамика, динамика, мик- динамика, динамика, налов микрофон рофон микрофон микрофон CD-привод CD-привод Тип COM- DVD-RW Dual DVD- DVD-RW BO(DVD+CD- RW Внешний встроенный встроенный встроенный встроенный /встроенный Скорость чте- 21х 21х 21х 21х ния CD Скорость запи- 16х 16х 16х 16х си CD Скорость пере- 12х 8х 12х 8х 12х 8х 12х 8х записи CD Скорость запи- 4,0х2,0х 4,0х2,0х 4,0х 2,0х 4,0х 2,0х си DVD Продолжение таблицы П.2. Компьютер Образец № 5 6 7 Производитель ASUS ASUS HP Compaq HP Compaq Модель A9500Rp A9500Rp 500RQ260AA nx B587ES Цена, рубли 20382 21057 23487 Процессор Intel® Geleron lntel(R)Celeron Intel(R) Penti- Intel(R) Celeron Модель um (Dothan+) Тактовая час- 1700 1850 1700 тота Частота шины 566 566 566 процессора Mhz L2 Кэш Kb 1024 1024 2048 ATI Radeon™ ATI Radeon™ lntel(R)915GM lntel(R) Модель GML FSB Mhz Xpress200M Xpress 200M Express Express Северный мост 533 533 533 ATI RC410M ATI RC410M 8291 5GM 82940GML Южный мост (MCH) (MCH) SB450 SB450 82801GBM(IC 8280 1GDM Модель H7-M) (ICH7 M) Приложение Статистическая обработка векторов оценок экспертов Рис. П.3.1. Предварительные оценки экспертов Рис. П.3.2. Центрированные оценки нормированных признаков Рис. П.3.3. Стандартизованные оценки признаков Рис. П.3.4. Корреляция векторов оценок экспертов Рис. П.3.5. Решение L-проблемы моментов Рис. П.3.6. Аддитивная и мультипликативная модели комплексного показателя качества Приложение Основные характеристики и распространенность ERP-систем Таблица П.4. Продолжение табл. П.4. Продолжение табл. П.4. Окончание табл. П.4. Доля продуктов на рынке ERP Остальные;

4% SAP Baan;

2% Галактика Парус;

4% Microsoft 1С;

14% Oracle SAP;

45% Scala Scala;

4% 1С Парус Oracle;

15% Галактика;

5% Baan Microsoft ;

7% Остальные Рис. П.4.1. Доля продукции на рынке ERP систем Рис. П.4.2. Доли поставщиков на рынке ИСУП России На основе данных рейтинговых агентств IDS, Gartner Group.

Приложение Экспертная система сравнения нескольких ERP-систем Программа составлена А.Иванченко Рис. П.5.1. Пример матрицы парных сравнений Рис. П.5.2. Количественные признаки ERP-систем Рис. П.5.3. Качественные признаки ERP-систем Рис. П.5.4. Функция стоимостно-внедренческих признаков Рис.П.5.5. Комплексный показатель качества ERP-систем

Pages:     | 1 |   ...   | 5 | 6 ||
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.