Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Модификации метода логического анализа данных для задач классификации. Монография.pdf
39. Костюк, Ф. Ф. Инфаркт миокарда / Ф. Ф. Костюк. – Красноярск,
1993. – 224 с.
40.
Кузьмич, Р. И. Classification accuracy of logical data analysis com-
parison on full and truncated set of attributes / Р. И. Кузьмич // Материалы XI
Международной научной конференции аспирантов, магистрантов, бакалавров и школьников «Молодежь. Общество. Современная наука, техника
и инновации». – Красноярск: Сиб. гос. аэрокосмич. ун-т, 2012. – С. 63–65.
41.
Кузьмич, Р. И. The determination of important attributes in the prog-
nosis task of myocardial infarction complications / Р. И. Кузьмич, Т. К. Гулако-
ва // Молодежь. Общество. Современная наука, техника и инновации: материалы X Всероссийской студенческой научной конференции на иностранных языках. – Красноярск: Сиб. гос. аэрокосмич. ун-т, 2011. – С. 37–39.
42.
Кузьмич, Р. И. Взвешенное голосование правил в задаче класси-
фикации данных / Р. И. Кузьмич // Актуальные проблемы авиации и космонавтики: тез. IX Всероссийской научно-практической конференции
творческой молодежи: в 2 т. Т. 1. Технические науки. Информационные
технологии. Сообщения школьников. Сиб. гос. аэрокосмич. ун-т. – Красноярск, 2013. – С. 335–336.
43.
Кузьмич, Р. И. Генерирование объектов для построения паттер-
нов с целью сокращения модели классификации / Р. И. Кузьмич, И. С. Масич // Решетневские чтения: материалы XV международной научной конференции, Сиб. гос. аэрокосмич. ун-т. – Красноярск, 2011. – Ч. 2. –
С. 462–463.
44.
Кузьмич, Р. И. Обоснование создания программной системы на
основе метода логического анализа данных / Р. И. Кузьмич // Материалы
51-й международной научной студенческой конференции «Студент и
научно-технический прогресс»: Информационные технологии / Новосиб.
гос. ун-т. – Новосибирск, 2013. – С. 229.
45.
Кузьмич, Р. И. Определение важности признаков при формиро-
вании паттернов в задаче классификации / Р. И. Кузьмич // Решетневские
чтения: материалы XIV международной научной конференции. Сиб. гос.
аэрокосмич. ун-т. – Красноярск, 2010. – Ч. 2. – С. 394–395.
46.
Кузьмич, Р. И. Перспективность создания программной системы
на основе метода логического анализа данных / Р. И. Кузьмич // Студент и
научно-технический прогресс: материалы 50-й Международной научной
студенческой конференции: Информационные технологии / Новосиб. гос.
ун-т. – Новосибирск, 2012. – С. 125.
47.
Кузьмич, Р. И. Поиск закономерностей при решении задачи
управления приземлением космического корабля / Р. И. Кузьмич // Актуальные проблемы авиации и космонавтики: материалы VIII Всероссийской
научной-практической конференции творческой молодежи, посвященной
– 151 –
55-летию запуска первого искусственного спутника Земли: в 2 т. Т. 1. Технические науки. Информационные технологии. Сообщения школьников. –
Сиб. гос. аэрокосмич. ун-т. – Красноярск, 2012. – С. 306–307.
48.
Кузьмич, Р. И. Построение модели классификации как компози-
ции информативных паттернов / Р. И. Кузьмич, И. С. Масич // Системы
управления и информационные технологии. – 2012. – № 2 (48). – С. 18–22.
49.
Кузьмич, Р. И. Применение информативных паттернов для по-
строения модели классификации при решении задач медицинской диагностики / Р. И. Кузьмич, А. А. Ступина, И. С. Масич // Научная сессия ТУСУР-2013: материалы Всероссийской научно-технической конференции
студентов, аспирантов и молодых ученых: в 5 ч. Ч. 3. – Томск: В-Спектр,
2013. – С. 183–186.
50.
Кузьмич, Р. И. Применение логических алгоритмов классификации
для решения задач диагностики медицинских заболеваний / Р. И. Кузьмич //
Актуальные проблемы авиации и космонавтики: материалы VII всероссийской научно-практической конференции студентов, аспирантов и молодых
специалистов: в 2 т. Т. 1. Технические науки. Сиб. гос. аэрокосмич. ун-т. –
Красноярск, 2011. – С. 324–325.
51.
Кузьмич, Р. И. Применение процедуры кластеризации для генери-
рования объектов с целью сокращения числа паттернов в модели классификации / Р. И. Кузьмич, А. И. Виноградова // Вестник КрасГАУ. – 2013. – № 9
(84). – С. 51–55.
52.
Кузьмич, Р. И. Создание программной системы для решения за-
дачи прогнозирования осложнений инфаркта миокарда / Р. И. Кузьмич //
Студент и научно-технический прогресс. Информационные технологии:
материалы ХLIX Международной научной студенческой конференции.
Новосиб. гос. ун-т. Новосибирск, 2011. – С. 115.
53.
Кузьмич, Р. И. Способы бинаризации разнотипных признаков в
задачах классификации / Р. И. Кузьмич, Т. К. Гулакова // Актуальные проблемы авиации и космонавтики: материалы VI всероссийской научнопрактической конференции студентов, аспирантов и молодых специалистов: в 2 т. Т. 1. Технические науки. Сиб. гос. аэрокосмич. ун-т. – Красноярск, 2010. – С. 323–325.
54.
Лбов, Г. С. Выбор эффективной системы зависимых признаков /
Г. С. Лбов. – Новосибирск: ИМ СО АН СССР, 1965. – № 19. – С. 21–34.
55.
Лбов, Г. С. Метод обнаружения логических закономерностей на
эмпирических таблицах / Г. С. Лбов, В. И. Котюков, Ю. П. Машаров // Вычислительные системы. – 1976. – № 67. – С. 29–42.
56.
Лбов, Г. С. Методы обработки разнотипных экспериментальных
данных / Г. С. Лбов. – Новосибирск: Наука, 1981. – 160 с.
– 152 –
57. Лбов, Г. С. Программа «Случайный поиск с адаптацией для вы-
бора эффективной системы зависимых признаков» / Г. С. Лбов. – Новосибирск: Наука, 1970. – С. 204–219.
58.
Лидовский, В. В. Теория информации: учеб. пособие / В. В. Ли-
довский. – М.: Компания Спутник+, 2004. – 111 с.
59.
Масич, И. С. Алгоритмы комбинаторной оптимизации для пла-
нирования загрузки литейного производства / И. С. Масич // Татищевские
чтения: актуальные проблемы науки и практики: материалы VII Международной научно-практической конференции. – Тольятти, 2010. – С. 3–10.
60.
Масич, И. С. Алгоритмы случайного поиска для условной опти-
мизации псевдобулевых функций / И. С. Масич // VII Королёвские чтения:
Всероссийская научная конференция: тез. докл. Т. 1. – Самара, 2003. –
С. 42–43.
61.
Масич, И. С. Задачи оптимизации и их свойства в логических ал-
горитмах распознавания / И. С. Масич // Проблемы оптимизации и экономические приложения: материалы V Всероссийской конференции. – Омск:
Изд-во Ом. гос. ун-та, 2012. – С. 34–36.
62.
Масич, И. С. Комбинаторная оптимизация в задаче классифика-
ции / И. С. Масич // Системы управления и информационные технологии. –
2009. – № 1 (35). – С. 283–288.
63.
Масич, И. С. Комбинаторная оптимизация и логические алгорит-
мы классификации в задаче прогнозирования осложнений инфаркта миокарда / И. С. Масич // Инновационные тенденции развития российской
науки: материалы III Международной научно-практической конференции. –
Красноярск, 2010. – С. 276–280.
64.
Масич, И. С. Комбинаторные алгоритмы оптимизации в задаче
распределения земли при производстве полевых культур / И. С. Масич //
Инновационные тенденции развития российской науки: материалы VI
международной научно-практической конференции. – Красноярск, 2013. –
С. 125–126.
65.
Масич, И. С. Логические алгоритмы классификации в задачах управ-
ления сельскохозяйственной деятельностью / И. С. Масич, Е. М. Краева //
Инновационные тенденции развития российской науки: материалы VI
международной научно-практической конференции. – Красноярск, 2013. –
С. 123–125.
66.
Масич, И. С. Логический анализ данных в задачах классифика-
ции / И. С. Масич, Р. И. Кузьмич, Е. М. Краева // М: Роспатент, 2011.
№ гос. рег. 2011612265.
67.
Масич, И. С. Логический анализ данных и алгоритмы распознава-
ния в задачах управления сельскохозяйственной деятельностью / И. С. Масич, Е. М. Краева // Наука и образование: опыт, проблемы, перспективы
– 153 –
развития: материалы международной научно-практической конференции. –
Красноярск, 2013, С. 301–303.
68.
Масич, И. С. Локальная оптимизация для задачи выбора инфор-
мативных факторов / И. С. Масич // Наука. Технологии. Инновации: тез.
докл. всероссийской научной конференции. Ч. 1. – Новосибирск: Изд-во
НГТУ, 2003. – С. 50–51.
69.
Масич, И. С. Метод ветвей и границ в задаче оптимизации систем
отказоустойчивого программного обеспечения / И. С. Масич // Научная
сессия ТУСУР: тез. докл. межрегиональной научно-технической конференции. – Томск, 2002. – С. 31–34.
70.
Масич, И. С. Методы определения свойства алгоритмически за-
данных псевдобулевых функций / И. С. Масич // Materialy VII
Miedzynarodowej naukowi-praktycznej konferencji «Perspektywi czne opracowania sa nauka i technikami». – 2013. – Vol. 51. Matematyka. – Przemysl:
Nauka i studia. – Pp. 84–85.
71.
Масич, И. С. Модель и алгоритмы оптимизации для задачи распре-
деления земли при производстве полевых культур / И. С. Масич // Наука и
образование: опыт, проблемы, перспективы развития: материалы международной научно-практической конференции. – Красноярск, 2013. – С. 303–304.
72.
Масич, И. С. Модель логического анализа для прогнозирования
осложнений инфаркта миокарда / И. С. Масич // Информатика и системы
управления. – 2010. – № 3 (25). – С. 48–56.
73.
Масич, И. С. Оптимизация загрузки производственных мощно-
стей литейного производства / И. С. Масич, К. В. Шарыпова // Системы
управления и информационные технологии. – 2007. – № 3 (29). – С. 76–80.
74.
Масич, И. С. Отбор существенных факторов в виде задачи псев-
добулевой оптимизации / И. С. Масич // Решетневские чтения: тез. докл.
VII Всероссийской научной конференции. – Красноярск: СибГАУ. –
2003. – С. 234–235.
75.
Масич, И. С. Повышение качества распознавания логических ал-
горитмов классификации путем отбора информативных закономерностей /
И. С. Масич // Информационные системы и технологии: материалы Международной научно-технической конференции. – Красноярск: Изд. Научноинновационный центр, 2012. – С. 149–153.
76.
Масич, И. С. Поисковые алгоритмы комбинаторной оптимизации
в задачах классификации данных / И. С. Масич // Высокие технологии, образование, промышленность: сб. статей XI Международной научнопрактической конференции «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности».
Т. 3. – СПб., 2011. – С. 91–92.
– 154 –
77. Масич, И. С. Поисковые алгоритмы псевдобулевой оптимизации
в задачах диагностики и прогнозирования / И. С. Масич // Высокие технологии, исследования, промышленность: сб. тр. IX Международной научнопрактической конференции «Исследование, разработка и применение высоких технологий в промышленности». Т. 3. – СПб., 2010. – С. 89–90.
78.
Масич, И. С. Поисковые алгоритмы псевдобулевой оптимизации
в задаче классификации данных / И. С. Масич, Р. И. Кузьмич // Решетневские чтения: материалы XV международной научной конференции. Сиб.
гос. аэрокосмич. ун-т. – Красноярск, 2011. – Ч. 2. – С. 472–473.
79.
Масич, И. С. Поисковые алгоритмы условной псевдобулевой опти-
мизации: монография / И. С. Масич. – Красноярск: СибГАУ. – 2013. – 160 с.
80.
Масич, И. С. Приближенные алгоритмы поиска граничных точек
для задачи условной псевдобулевой оптимизации / И. С. Масич // Вестник
СибГАУ. – 2006. – № 1(8). – С. 39–43.
81.
Масич, И. С. Приближенные алгоритмы поиска для задач услов-
ной псевдобулевой оптимизации / И. С. Масич // Вестник СибГАУ. – 2010. –
№ 2 (30). – С. 26–31.
82.
Масич, И. С. Регулярный алгоритм поиска граничных точек
в задаче условной оптимизации монотонных псевдобулевых функций /
И. С. Масич // Совершенствование технологий поиска и разведки, добычи и
переработки полезных ископаемых: сб. материалов Всероссийской научнотехнической конференции. – Красноярск: КрасГАЦиЗ. – 2003. – С. 170–172.
83.
Масич, И. С. Решение задач условной псевдобулевой оптимиза-
ции посредством обобщенных штрафных функций / И. С. Масич // Вестник
молодых ученых. – 2004. – № 4. – 2004. – С. 63–69.
84.
Масич, И. С. Случайный поиск граничных точек в задаче услов-
ной псевдобулевой оптимизации / И. С. Масич // XI Туполевские чтения:
Всероссийская научная конференция: Том 3. – Казань, 2003. – С. 14.
85.
Масич, И. С. Сравнение методов классификации данных на практи-
ческих задачах прогнозирования и диагностики / И. С. Масич, Р. И. Кузьмич //
Молодежь, техника, космос: материалы III Международной молодежной
научно-технической конференции. – СПб.: БГТУ, 2011. – С. 215–217.
86.
Масич, И. С. Сравнительная эффективность регулярных проце-
дур условной оптимизации псевдобулевых функций / И. С. Масич // Вестник НИИ Систем управления, волновых процессов и технологий. – 2002. –
№ 8. – С. 160–177.
87.
Модель логического анализа для решения задачи прогнозирова-
ния инфаркта миокарда / С. Е. Головенкин, Т. К. Гулакова, Р. И. Кузьмич и
др. // Вестник СибГАУ. – 2010. – № 4 (30). – С. 68–73.
88.
Особенности формирования программного обеспечения для си-
стем управления техническими объектами / А. А. Ступина, А. И. Пережи-
– 155 –
лин, Л. Н. Корпачева, Р. И. Кузьмич // Вестник КрасГАУ. – 2011. – № 1
(40). – С. 12–16.
89.
Перегудов, Ф. И. Основы системного анализа: учеб. / Ф. И. Пере-
гудов, Ф. П. Тарасенко. – 2-е изд., доп. – Томск: Изд-во НТЛ, 1997. – 396 с.
90.
Прикладная статистика: классификация и снижение размерности /
С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. – М.: Финансы и статистика, 1989. – 607 с.
91.
Прогнозирование осложнений инфаркта миокарда нейронными
сетями / Д. А. Россиев, С. Е. Головенкин, В. А. Шульман, Г. В. Матюшин //
Нейроинформатика и ее приложения. – 1995. – С. 128–166.
92.
Разработка программной системы на основе логических алгорит-
мов классификации для решения задач медицинской диагностики и прогнозирования / А. А. Ступина, И. С. Масич, Р. И. Кузьмич, О. Г. Ступин //
Фундаментальные и прикладные проблемы приборостроения и информатики: сб. науч. тр. ХIV Международной научно-технической конференции. –
М.: МГУПИ, 2011. – С. 112–117.
93.
Растригин, Л. А. Адаптация сложных систем / Л. А. Растригин. –
Рига: Знание, 1981. – 375 с.
94.
Растригин, Л. А. Решение задач разношкальной оптимизации ме-
тодами случайного поиска / Л. А. Растригин, Э. Э. Фрейманис // Проблемы
случайного поиска. – 1988. – № 11. – С. 9–25.
95.
Редько, В. Г. Эволюционная кибернетика / В. Г. Редько. – М.:
Наука, 2003. – 155 с.
96.
Руда, М. Я. Инфаркт миокарда / М. Я. Руда, А. П. Зыско. – М.:
Медицина, 1981. – 288 с.
97.
Сергиенко, И. В. Приближенные методы решения дискретных за-
дач оптимизации / И. В. Сергиенко, Т. Т. Лебедева, В. А. Рощин. – Киев:
Наукова думка, 1981. – 272 с.
98.
Системный анализ: проектирование, оптимизация и приложения /
А. Н. Антамошкин, М. Воловик, В. Ганженко [и др.]. – Красноярск: САА
и СО РИА, 1996. – Т. 1. – 334 с.; Т. 2. – 290 с.
99.
Сравнительный анализ методов классификации данных на практи-
ческих задачах прогнозирования и диагностики / И. С. Масич, Е. М. Краева,
Р. И. Кузьмич, Т. К. Гулакова // Системы управления и информационные
технологии. – 2011. – № 1 (43). – С. 20–25.
100.
Ступина, А. А. Программная реализация логических алгоритмов
классификации для прогнозирования осложнений инфаркта миокарда /
А. А. Ступина, Р. И. Кузьмич // Современные проблемы фундаментальных
и прикладных наук: материалы Всероссийской молодежной научной конференции с международным участием. ФГБОУ ВПО «Кемеровский техно-
– 156 –
логический институт пищевой промышленности». Кемерово: Кузбассвузиздат, 2011. – С. 84–87.
101.
Сыркин, А. Л. Инфаркт миокарда. / А. Л. Сыркин. – М.: Меди-
цина, 1991. – 303 с.
102.
Уоссермен, Ф. Нейрокомпьютерная техника. Теория и практика /
Ф. Уоссермен; пер. с англ Ю. А. Зуев, В. А. Точенов, 1992. – 184 с.
103.
Фаронов, В. В. Delphi 6. Учебный курс / В. В. Фаронов. – М.:
издатель С. В. Молгачева, 2001. – 672 с.
104.
Финкельштейн, Ю. Ю. Приближенные методы и прикладные
задачи дискретного программирования / Ю. Ю. Финкельштейн. – М.:
Наука, 1976. – 264 с.
105.
Фрид, М. Кардиология в таблицах и схемах / М. Фрид, С. Грайнс. –
М.: Практика, 1996. – 736 с.
106.
Хачатуров, В. Р. Аппроксимационно-комбинаторный метод и не-
которые его приложения / В. Р. Хачатуров // Журнал вычислительной математики и математической физики. – 1974. – Т. 14. – № 6. – С. 1464–1487.
107.
Чазов, Е. И. Болезни сердца и сосудов / Е. И. Чазов. – М.: Меди-
цина, 1992. – 512 с.
108.
Шеннон, К. Э. Математическая теория связи / К. Э. Шеннон;
пер. С. В. Карпова. – М.: ИИЛ, 1963. – 830 с.
109.
Юдин, Д. Б. Математические методы оптимизации устройств и
алгоритмов АСУ / Д. Б. Юдин, А. П. Горяшко, А. С. Немировский. – М.:
Радио и связь, 1982. – 288 с.
110.
A polynomial case of unconstrained zero-one quadratic optimization /
K. Allemand, K. Fukuda, T. M. Liebling, M. Steiner // Mathematical Programming. – 2001. – Ser. A. – № 91. – Pp. 49–52.
111.
Adams, W. P. A tight linearization and an algorithm for zero-one
quadratic programming problems / W. P. Adams, H. D. Sherali // Management
Science. – 1986. – Vol. 32. – № 10. – Pp. 1274–1290.
112.
An application of combinatorial optimization to statistical physics
and circuit layout design / F. Barahona, M. Grotschel, M. Junger, G. Reinelt //
Operation Research. – 1988. – № 36. – Pp. 493–513.
113.
An implementation of logical analysis of data / Е. Boros, P. L. Ham-
mer, T. Ibaraki, A. Kogan // RUTCOR Research Report 22-96, 1996.
114.
Antamoshkin, A. N. Heuristic search algorithms for monotone pseu-
do-boolean function conditional optimization / A. N. Antamoshkin, I. S. Masich //
Engineering & automation problems. – 2006. – Vol. 5. – №. 1. – Pр. 55–61.
115.
Antamoshkin, A. N. Identification of pseudo-Boolean function prop-
erties / A. N. Antamoshkin, I. S. Masich // Engineering & automation problems. –
2007. – № 2. – Pр. 66–69.
– 157 –
116. Antamoshkin, A. N. Pseudo-Boolean optimization in case of uncon-
nected feasible sets / A. N. Antamoshkin, I. S. Masich // Models and Algorithms
for Global Optimization. Series: Springer Optimization and Its Applications. –
2007. – Vol. 4. – Pр. 111–122.
117.
Antamoshkin, A. N. Regular optimization of pseudoboolean functions /
A. N. Antamoshkin // System Modeling and Optimization. – 1985. – Pp. 17–18.
118.
Ashrafi, N. Optimal Design of Large Software Systems Using N-
Version Programming / N. Ashrafi, O. Berman, M. Cutler // In IEEE Transactions on Reliability. – 1994. – Vol. 43. – № 2. – Pp. 344–350.
119.
Avizienis, A. The methodology of N-version programming / A. Avi-
zienis // Software fault tolerance. – 1995. – Vol. 5. – Pp. 23–47.
120.
Barth, P. A Davis-Putnam Based Enumeration Algorithm for Linear
Pseudo-Boolean Optimization / P. Barth // Technical Report MPI-I-95-2-003. –
Saarbrücken: Max-Planck-Institut für Informatik. – 1995. – 19 p.
121.
Bilbao, J. M. Cooperative Games on Combinatorial Structures /
J. M. Bilbao // Norwell, Massachusetts: Kluwer Academic Publishers. – 2000. –
325 p.
122.
Björklund, H. Experiments with Iterative Improvement Algorithms on
Completely Unimodal Hypercubes / H. Björklund, V. Petersson, S. Vorobjov //
Technical report 2001-017. – Uppsala, Sweden: Uppsala University. – 2001. – 30 p.
123.
Björklund, H. Optimization on Completely Unimodal Hypercubes /
H. Björklund, S. Sandberg, S. Vorobjov // Technical report 2002-018. – Uppsala, Sweden: Uppsala University. – 2002. – 39 p.
124.
Boros, E. A max-flow approach to improved roof duality in quadratic
0-1 minimization / E. Boros, P. L. Hammer // Research Report RRR 15-1989,
Piscataway, NJ: Rutgers University Center for Operations Research. – 1989.
125.
Boros, E. Chvátal cuts and odd cycle inequalities in quadratic 0-1 op-
timization / E. Boros, Y. Crama, P. L. Hammer // SIAM Journal on Discrete
Mathematics. – 1992. – № 5. – Pp. 163–177.
126.
Boros, E. Cut-Polytopes, Boolean quadratic polytopes and nonnega-
tive quadratic pseudo-Boolean functions / E. Boros, P. L. Hammer // Mathematics of Operations Research. – 1993. – № 18. – Pp. 245–253.
127.
Boros, E. Pseudo-Boolean Optimization / E. Boros, P. L. Hammer //
Discrete Applied Mathematics. – 2002. – № 123 (1-3). – Pp. 155–225.
128.
Boros, E. Upper bounds for quadratic 0-1 maximization / E. Boros,
Y. Crama, P. L. Hammer // Operation Research Letters. – 1990. – № 9. –
Pp. 73–79.
129.
Bradley, P. S. Feature selection via concave minimization and sup-
port vector machines / P. S. Bradley, O. L. Mangasarian // In J. Shavlik, editor,
Proceedings of the Fifteenth International Conference on Machine Learning,
Morgan Kaufmann, San Francisco. – 1998. – Pp. 82–90.
– 158 –
130. Breiman, L. Random Forests / L. Breiman // Machine Learning. –
2001. – № 45 (1). – Pp. 5–32.
131.
Breslow, L. A. Comparing Tree-Simplification Procedures / L. A. Bres-
low, D. W. Aha // Nave Center for Applied Research in Artificial Intelligence,
Technical Report № AIC-96-015. – 1996. – Pp. 1–10.
132.
Breslow, L. A. Simplifying Decision Trees: A Survey / L. A. Bres-
low, D. W. Aha // Knowledge Engineering Review. – 1997. – № 12. – Pp. 1–40.
133.
Burges, C. J. C. A Tutorial on Support Vector Machines for Pattern
Recognition / C. J. C. Burges // Data Mining and Knowledge Discovery. – 1998. –
Vol. 2. – Is. 2. – Pp. 121–167.
134.
Chtioui, Y. Feature selection by a genetic algorithm / Y. Chtioui,
D. Bertrand, D. Barba // Application to seed discrimination by artificial vision,
Journal of the Science of Food and Agriculture. – 1998. – № 76 (1). – Pp. 77–86.
135.
Classification and Regression Tree / L. Breiman, J. H. Friedman,
R. Olshen, C. J. Stone // Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California, 1984. – 368 p.
136.
Cohen, W. W. A simple, fast and effective rule learner / W. W. Co-
hen, Y. Singer // Proc. of the 16 National Conference on Artificial Intelligence. –
1999. – Pp. 335–342.
137.
Cohen, W. W. Fast Effective Rule Induction / W. W. Cohen // Ma-
chine Learning: Proceedings of the 12th International Conference, Lake Tahoe,
California: Morgan Kaufman, 1995. – Pp. 115–123.
138.
Combinatorial analysis of breast cancer data from image cytometry
and gene expression microarrays / G. Alexe, S. Alexe, D. Axelrod et al. //
RUTCOR Technical Report, RTR 3-2002, 2002. URL: http://gatekeeper.dec.com/
pub/toomany/paper151.pdf.
139.
Computational Complexity and Feasibility of Data Processing and
Interval Computations / V. Kreinovich, A. Lakeyev, J. Rohn, P. Kahl. – Norwell, Massachusetts: Kluwer Academic Publishers, 1998. – 460 p.
140.
Coronary Risk Prediction by Logical Analysis of Data / S. Alexe,
E. Blackstone, P.L. Hammer et al. // Annals of Operations Research. – 2003. –
№ 119. – Pp. 15–42.
141.
Crama, Y. The basic algorithm for pseudo-Boolean programming re-
visited / Y. Crama, P. Hansen, B. Jaumard // Discrete Applied Mathematics. –
1990. – № 29. – Pp. 171–185.
142.
Crama, Y. Bimatroidal independence systems / Y. Crama, P. L. Ham-
mer // Mathematical Methods of Operations Research. – 1989. – Vol. 33. – № 3. –
Pp. 149–165.
143.
Crama, Y. Boolean Functions: Theory, Algorithms, and Applications /
Y. Crama, P. L. Hammer. – New York: Cambridge University Press, 2011. – 687 p.
– 159 –
144. Crama, Y. Combinatorial optimization models for production sched-
uling in automated manufacturing systems / Y. Crama // European Journal of
Operational Research. – 1997. – № 99. – Pp. 136–153.
145.
Crama, Y. Recognition problems for special classes of polynomials
in 0-1 variables / Y. Crama // Mathematical Programming. – 1989. – № 44. –
Pp. 139–155.
146.
Cremilleux, B. Use of Attribute Selection Criteria in Decision Trees
in Uncertain Domains / B. Cremilleux, C. Robert // Uncertainty in Intelligent and
Information Systems, Advances in Fuzzy Systems, Application and Theory. –
2000. – Vol. 20. – Pp. 150–161.
147.
Dash, M. Feature selection for classification / M. Dash, H. Lui // In-
telligent data analysis. – 1997. – № 1 (3). – Pp. 131–156.
148.
De Jong, K. A. Genetic Algorithms: A 10 Year Perspective / K. A. De
Jong // In: Procs of the First Int. Conf. on Genetic Algorithms, 1985. – Pp. 167–177.
149.
Dubner, P. N. Statistical tests for feature selection in KORA recogni-
tion algorithms / P. N. Dubner // Pattern Recognition and Image Analysis. –
1994. – Vol. 4. – № 4. – P. 396.
150.
Ebenegger, Ch. Pseudo-Boolean functions and stability of graphs /
Ch. Ebenegger, P. L. Hammer, D. de Werra // Annals of Discrete Mathematics. –
1984. – № 19. – Pp. 83–97.
151.
Elomaa, T. An Analyses of Reduced Error Pruning / T. Elomaa,
M. Kaariainen // Journal of Artificial Intelligence Research. – 2001. – Vol. 15. –
Pp. 163–187.
152.
Esposito, F. Comparative Analysis of Methods for Pruning Decision
Trees / F. Esposito, D. Malerba, G. A. Semeraro // IEEE Transactions on Pattern
Analyses and Machine Intelligence. – 1997. – Vol. 19 (5). – Pp. 476–491.
153.
Feo, T. Greedy Randomized Adaptive Search Procedures / T. Feo,
M. G. Resende // Journal of Global Optimization. – 1995. – № 6. – Pp. 109–133.
154.
Foldes, S. Disjunctive and conjunctive normal forms of pseudo-
Boolean functions / S. Foldes, P. L. Hammer // Research Report RRR 1-2000. –
Piscataway, NJ: Rutgers University Center for Operations Research. – 2000.
155.
Foldes, S. Monotone, Horn and Quadratic Pseudo-Boolean Functions /
S. Foldes, P. L. Hammer // Journal of Universal Computer Science. – 2000. –
№ 6 (1). – Pp. 97–104.
156.
Forecasting of myocardial infarction complications with the help of
neural networks / D. A. Rossiev, S. E. Golovenkin, V. A. Shulman, G. V. Matyushin // Proc. WCNN’95. (World Congress on Neural Networks’ 95). –Washington,
1995. – Pp. 185–188.
157.
Fraenkel, A. S. Pseudo-Boolean functions and their graphs /
A. S. Fraenkel, P. L. Hammer // Annals of Discrete Mathematics. – 1984. –
№ 20. – Pp. 137–146.
– 160 –