Заключение

В ходе диссертационной работы был произведен анализ публикаций, изучены различные способы представления символьных данных, и рассмотрены задачи связанные с применением символьного анализа в информационно-управляющих системах, а именно в задачах регрессии и кластеризации. Была разработана компьютерная программа демонстрирующая, практическое применение символьного анализа, а именно анализ изображений.

Символьный анализ это перспективное направление для технологий извлечения знаний из данных сложной структуры, которое может использоваться в областях связанных с базами данных, хранилищами данных, для сжатия информации без потери полезных знаний. Рассмотренный в работе пример показывает эффективность использования процедур символьного анализа и определяет основные направления применения данных методов для решения практических задач.

На основании анализа источников можно сделать вывод, что в России данное направление только начинает развиваться. Символьный подход является довольно новым и хорошим инструментом для анализа данных. Набор методов анализа символических данных увеличивается со временем, затрагивая новые области и предлагая более новые подходы. Так же символьные методы успешно применяются в различных областях, таких как статистика, маркетинг, промышленность, финансы, и др.

Список использованных источников

[1] Акулов В.В Символьный подход к анализу данных. Специальное инженерное, тезисы региональной научно-технической конференции магистрантов. (стр. 130-132) 2013.

[2] From the Statistics of Data to the Statistics of Knowledge: Symbolic Data Analysis L. BILLARD and E. DIDAY 2002.

[3] Попова О. А. Технология извлечения и визуализации знаний на основе численного вероятностного анализа неопределенных данных

[4] Добронец Б.С. Интервальная математика: Учеб. пособие. Красноярский гос. ун-т. - Красноярск, 2004.

[5] Bock H.H., Diday E. (2000) “Analysis of Symbolic Data”. Study in Classification, Data Analysis and Knowledge Organization. Springer Verlag.

[6] Diday E. (1987) “The symbolic approach in clustering and related methods of Data Analysis”, Proc. IFCS, Aachen, Germany.

[7] Bock H.H., Diday E. (2000) “Analysis of Symbolic Data”. Study in Classification, Data Analysis and Knowledge Organization. Springer Verlag.

[8] Edwin Diday ,An Introduction to Symbolic Data Analysis and the Sodas Software,

[9] Symbolic Data Analysis: Conceptual Statistics and Data Mining L. Billard and E. Diday 2006 John Wiley & Sons, Ltd. ISBN: 978-0-470-09016-9

[10] Андерсон Т. Статистический анализ временных рядов. — М.: «Вильямс», 2003

[11] Кендалл М.Дж., Стъюарт А. Многомерный статистический анализ и временные ряды. - М.: Наука, 1976

[12] Белов В.С. ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЕ СИСТЕМЫ. Основы проектирования и применения: учебное пособие, руководство, практикум / Московский государственный университет экономики, статистики и информатики. — М., 2005.

[13] Billard, L. and Diday, E. (2000). Regression Analysis for Interval-Valued Data. Data analysis, Classi_caiton, and Related Methods

[14] Барсегян, А. А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, M. С. Куприянов, В. В. Степаненко, И. И. Холод. — 2-е изд., перераб. и доп. — СПб.: БХВ-Петербург, 2008.

[15] Le-Rademacher, J. and Billard, L. (2010). Likelihood Functions and Some Maximum

[16] Likelihood Estimators for Symbolic Data. Journal of Statistical Planning and Inference, submitted.

[17] Lima Neto, E.A. and de Carvalho F.A.T. (2010). Constrained Linear Regression Models for Symbolic Interval-valued Variables. Computational Statistics & Data Analysis

[18] P. BERTRAND, F. GOUPIL, Descriptive statistics for symbolic data. In: Analysis of Symbolic Data: Exploratory Methods for Extracting Statistical Information from Complex Data (eds. H.-H. Bock and E. Diday). Springer-Verlag, Berlin, (2000), 103–124

[19] Böhm B. (1996), “Dynamic Econometric Specification and the Analysis of Structural Change”, Dynamis, Quaderno 2/96, IDSE, Milano.

[20] Billard L., Diday E. (2005): Histograms in symbolic data analysis 2005. Intern Stat. Inst. 55.

[21] Lima Neto, E.A. and de Carvalho F.A.T. (2010). Constrained Linear Regression Models for Symbolic Interval-valued Variables. Computational Statistics & Data Analysis

[22] Diday, E., Emilion, R. and Hillali, Y. (1996). Symbolic Data Analysis of Probabilistic Objects by Capacities and Credibilities. Societea' Italianadi Statistica

[23] Lima Neto, E.A., de Carvalho F.A.T. and Tenorio, C.P. (2004). Univariate and Multi-variate Linear Regression Methods to Predict Interval-valued Features.

[24]Bertrand, P. and Goupil, F. (2000): Descriptive Statistics for Symbolic Data. Analysis of Symbolic Data: Exploratory Methods for Extracting Statistical Information from Complex Data

[25] Billard, L. and Diday, E. (2006). Descriptive Statistics for Interval-valued Observationsin the Presence of Rules. Computational Statistics,

[26] Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977.

[27] Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988

[28] Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988

[29] Кендалл М. Дж., Стьюарт А., Статистические выводы и связи, пер. с англ., М., 1973

[30] Линейные статистические методы и их применения, пер. с англ., М., 1968;

[31] Дрейпер Н., Смит Г., Прикладной регрессионный анализ, пер. с англ., М., 1973. А. В. Прохоров.

[32] Шашков В.Б. Прикладной регрессионный анализ. Многофакторная регрессия: Учебное пособие. - Оренбург: ГОУ ВПО ОГУ, 2003.

[33] Microsoft. C#. Спецификация языка Версия 3.0. 2007

[34] Павловская. C# Программироване на языке высокого уровня. 2009

[35] Шилдт Герберт- C# Учебный Курс. 2003 [36] Шилдт Герберт. Полный справочник по C#. 2004

[37] Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям  СПб.: Изд. Питер, 2009.

[38] Дюк В., Самойленко А. Data Mining: учебный курс (+CD). — СПб.: Изд. Питер, 2001.

[39] Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006

[40] Разработка специальных запросов и анализ данных  Майкл Армстронг-Смит, Дарлен Армстронг-Смит 2002г.

[41] Мишулина О. А. Статистический анализ и обработка временных рядов. — М.: МИФИ, 2004.

[42] Krzysztof J. Cios, Data Mining: A Knowledge Discovery Approach, Springer 2007

[43] C.S. Daw, C.E.A. Finney and J.B.Green (1998), “Symbolic Time-Series Analysis of Engine Combustion measurements”, SAE Paper No. 980624.

[44] X.Z. Tang, E.R. Tracy and R. Brown (1997), “Symbol Statistics and Spatio-Temporal Systems”, Physica D

[45] J.S. Armfield, C.S. Daw, J.A. Dralimeier, P. Durbetaki, C.E.A. Finney, J.B.Green, M.B. Kennel

[46] Lima Neto, E., de Carvalho F.A.T. (2010). Constrained Linear Regression Models for Symbolic Interval-valued Variables. Computational Statistics & Data Analysis

[47] Lima Neto, E.A., de Carvalho F.A.T. and Tenorio, C.P. (2004). Univariate and Multivariate Linear Regression Methods to Predict Interval-valued Features. Lecture Notes in Computer Science, AI 2004

[48] Lindstrom, M. and Bates, D. (1988). Newton-Raphson and EM algorithms for linear mixed e_ects models for repeated measures data. Journal of the American Statistical Association,

[49] R.M. Wagner (1998), “Time Irreversibility and Comparison of Cyclic-Variability Models”, To appear at the 1999 SAE International Congress & Exposition.

[50] Lynne Billard Some Analyses of Interval Data Journal of Computing and Information Technology - CIT 16, 2008