Диссертация (1137259), страница 22
Текст из файла (страница 22)
Во-первых, на широкой тестовой базе былопроверено, что устойчивость выделяет схожие элементарныемодели при построении иерархических моделей по различнымданным, порождённых по одной генеральной совокупности.Во-вторых, устойчивость сравнивается с некоторыми другимимерами качества на задаче задаче классификации. В этом срав135нении устойчивость является одним из лидеров, однако расчётустойчивости при построении модели может занимать существенное время, и поэтому для практического использованияустойчивости как меры качества при моделировании реальныхпроцессов, были предложены методы приближённого вычисления. Введены две оценки меры устойчивости, а эффективностьэтих оценок для отбора моделей была подтверждена при построении моделей реальных процессов с состояниями сложнойструктуры.
Обе введённые оценки имеют важное практическоезначение и являются вычислительно более эффективными, чемранее известные.∙ Предложенная математическая модель процессов с состояниями сложной структуры, а также методы её построения реализованы в рамках программного комплекса. Отличительной особенностью предложенной архитектуры этого комплекса является её модульность, которая позволяет исследовать различныетипы процессов с состояниями сложной структуры.
Более тогов рамках разработанного комплекса реализован общий подход кмоделированию на основании узорных структур и их проекций,что позволяет с небольшими усилиями создавать и исследоватьновые модели, основанные на аппарате узорных структур.∙ Разработанные модель, вычислительные методы и комплекспрограмм были применены для исследования процесса госпитализации пациентов. Результаты исследований были признаны значимыми экспертами в предметной области как позволяющие повысить качество лечения больных. Были рассмотреныразличные параметры проекций модели (проекция минимальной длины и проекция алфавита), которые позволяют построить упрощённую, но адекватную модель процессов госпитализации.Возможными направлениями дальнейших исследований являются:136∙ Применение предложенной в данной работе модели и разработанного программного комплекса для моделирования другихобъектов или процессов со сложной структурой, например, длямоделирования кинетики молекул различных химических веществ.∙ Разработка алгоритмов построения моделей, которые по возможности избегают порождение закономерностей с низкой мерой устойчивости.
Это позволило бы существенно сохранитьвремя вычислений, сохранив качество получаемой модели. Такой алгоритм мог бы либо напрямую использовать свойстваустойчивости, доказанные в данной работе, либо подходить кэтой проблеме через многократное построение небольших моделей с их последующим объединением в полную модель.137Литература1. Биркгоф Г.
Теория решеток. — 1984. — С. 568.2. Самохин М. В. Машинное обучение на узорных структурах :дис. . . . канд. техн. наук : 05.13.17 : защищена 22.06.06 : утв.15.04.06 / Самохин Михаил Валерьевич. — М., 2006. — 124 с. —Библиогр.: с. 113—124.3. Aalst W. M. P. van der Process mining: Discovery, conformanceand enhancement of business processes. — Springer, 2011. —Pp. I–XVI, 1–352.4. Aalst W. M. P. van der The application of Petri nets to workflowmanagement // J. circuits, Syst. Comput. — 1998. — Vol. 8,no. 01.
— Pp. 21–66.5. Aalst W. M. P. van der, Pesic M., Schonenberg H. Declarativeworkflows: Balancing between flexibility and support // Comput.Sci. Dev. — 2009. — Vol. 23, no. 2. — Pp. 99–113.7. Aalst W. M. P. van der, Rubin V., Verbeek H. M. W., DongenB. F. van, Kindler E., Günther C. W. Process mining: a two-stepapproach to balance between underfitting and overfitting // Softw.Syst. Model.
— 2010. — Vol. 9, no. 1. — Pp. 87–111.6. Aalst W. M. P. van der, Weijters T., Maruster L. Workflow mining:Discovering process models from event logs // Knowl. Data Eng.IEEE Trans. — 2004. — Vol. 16, no. 9. — Pp. 1128–1142.8. Agrawal R., Imieliński T., Swami A. Mining association rules between sets of items in large databases // ACM SIGMOD Rec.Vol.
22. — ACM. 1993. — Pp. 207–216.1389. Agrawal R., Srikant R. Mining sequential patterns // Data Eng.1995. Proc. Elev. Int. Conf. — Mar. 1995. — Pp. 3–14.10. Azevedo P. J., Jorge A. M. Comparing Rule Measures for Predictive Association Rules // Mach. Learn. ECML 2007. Vol.
4701 /ed. by J. N. Kok, J. Koronacki, R. L. de Mantaras, S. Matwin, D.Mladenič, A. Skowron. — Springer Berlin Heidelberg, 2007. —Pp. 510–517. — (Lecture Notes in Computer Science).11. Babin M. A., Kuznetsov S. O. Approximating Concept Stability //Form. Concept Anal. Vol. 7278 / ed. by F. Domenach, D. Ignatov,J. Poelmans. — Springer Berlin Heidelberg, 2012. — Pp. 7–15. —(Lecture Notes in Computer Science).12. Becker P., Hereth J., Stumme G. ToscanaJ: An Open Source Toolfor Qualitative Data Analysis // Proc.
Work. FCAKDD 15th Eur.Conf. Artif. Intell. (ECAI 2002). — Lyon, 2002.13. Belohlavek R., Trnecka M. Basic Level in Formal Concept Analysis: Interesting Concepts and Psychological Ramifications // Proc.Twenty-Third Int. Jt. Conf. Artif. Intell. — AAAI Press, Aug.2013. — Pp. 1233–1239. — (IJCAI’13).14. Bergenthum R., Desel J., Lorenz R., Mauser S. Process miningbased on regions of languages // Bus. Process Manag. — Springer,2007. — Pp. 375–383.15. Bissell-Siders R., Cuissart B., Crémilleux B.
On the Stimulationof Patterns // Concept. Struct. From Inf. to Intell. SE - 9.Vol. 6208 / ed. by M. Croitoru, S. Ferré, D. Lukose. — Berlin,Heidelberg : Springer Berlin Heidelberg, 2010. — Pp. 56–69. —(Lecture Notes in Computer Science).16. Bordat J.-P. Calcul pratique du treillis de Galois d’une correspondance // Mathématiques Sci. Hum. — 1986. — Vol. 96.
— Pp. 31–47.13917. Borgelt C., Berthold M. Mining molecular fragments: findingrelevant substructures of molecules // 2002 IEEE Int. Conf. DataMining, 2002. Proceedings. — IEEE Comput. Soc, 2002. —Pp. 51–58.18. Borgelt C. Graph Mining: An Overview // Proc. 19th GMA/GIWork. Comput. Intell. — Witten-Bommerholz, Germany : Universitätskolleg Bommerholz, 2009. — Pp. 189–203.19. Borgelt C., Meinl T. Full Perfect Extension Pruning for FrequentSubgraph Mining // Min. Complex Data SE - 11. Vol.
165 / ed.by D. Zighed, S. Tsumoto, Z. Ras, H. Hacid. — Springer BerlinHeidelberg, 2009. — Pp. 189–205. — (Studies in ComputationalIntelligence).20. Borza P., Sabou O., Sacarea C. OpenFCA, an open source formalconcept analysis toolbox // Proc. IEEE Int. Conf. Autom. Qual.Test. Robot. — 2010. — Pp. 1–5.21. Buzmakov A., Egho E., Jay N., Kuznetsov S. O., Napoli A., Raı̈ssiC. The representation of sequential patterns and their projectionswithin Formal Concept Analysis // Work. Notes LML. — 2013. —Pp. 65–79.22. Carmona J., Cortadella J.
Process mining meets abstract interpretation // Mach. Learn. Knowl. Discov. Databases. — Springer,2010. — Pp. 184–199.23. Carvalho D. R., Freitas A. A., Ebecken N. Evaluating the Correlation Between Objective Rule Interestingness Measures and RealHuman Interest // Knowl. Discov. Databases PKDD 2005. Vol.3721 / ed. by A. M. Jorge, L.
Torgo, P. Brazdil, R. Camacho, J.Gama. — Springer Berlin Heidelberg, 2005. — Pp. 453–461. —(Lecture Notes in Computer Science).24. Casas-Garriga G. Summarizing Sequential Data with Closed Partial Orders. // Proc. 5th SIAM Int’l Conf.
Data Min. — 2005.14025. Ceglar A., Roddick J. F. Association Mining // ACM Comput.Surv. — New York, NY, USA, 2006. — Vol. 38, no. 2.26. Cook D. J., Holder L. B. Substructure discovery using minimumdescription length and background knowledge // J. Artif. Intell.Res. — 1994. — Vol. 1. — Pp.
231–255.27. Coulet A., Domenach F., Kaytoue M., Napoli A. Using PatternStructures for Analyzing Ontology-Based Annotations of Biomedical Data // Form. Concept Anal. SE - 5. Vol. 7880 / ed. byP. Cellier, F. Distel, B. Ganter. — Springer Berlin Heidelberg,2013. — Pp. 76–91. — (Lecture Notes in Computer Science).28. Davey B. A., Priestley H.
A. Introduction to Lattices and Order. —Cambridge University Press, 2002. — (Cambridge mathematicaltext books).29. Deshpande M., Kuramochi M., Wale N., Karapis G. Frequent substructure-based approaches for classifying chemical compounds // IEEE Trans. Knowl. Data Eng. — 2005. — Aug. —Vol. 17, no.
8. — Pp. 1036–1050.30. Ding B., Lo D., Han J., Khoo S.-C. Efficient Mining of ClosedRepetitive Gapped Subsequences from a Sequence Database //Proc. IEEE 25th Int. Conf. Data Eng. — IEEE, Mar. 2009. —Pp. 1024–1035.31. Dong G., Li J. Efficient mining of emerging patterns: Discoveringtrends and differences // Proc. fifth ACM SIGKDD Int. Conf.Knowl.
Discov. data Min. — New York : ACM, 1999. — Pp. 43–52. — (KDD ’99).32. Dongen B. F. van, De Medeiros A. K. A., Wen L. Process mining:Overview and outlook of petri net discovery algorithms // Trans.Petri Nets Other Model. Concurr. II. — Springer, 2009. —Pp. 225–242.14133. Egho E., Jay N., Raı̈ssi C., Ienco D., Poncelet P., Teisseire M.,Napoli A.
A contribution to the discovery of multidimensionalpatterns in healthcare trajectories // J. Intell. Inf. Syst. — 2014. —Vol. 42, no. 2. — Pp. 283–305.34. Egho E., Jay N., Raı̈ssi C., Napoli A. A FCA-based analysis ofsequential care trajectories // 8th Int. Conf. concept lattices theirAppl. — 2011. — Pp. 363–376.35. Erné M. Einführung in die Ordnungstheorie. — Mannheim : Bibliographisches Institut – Wissenschaftsverlag, 1982.36.
Fetter R. B., Shin Y., Freeman J. L., Averill R. F., Thompson J. D.Case mix definition by diagnosis-related groups. // Med Care. —1980. — Feb. — Vol. 18, no. 2. — Pp. 1–53.37. Frank A., Asuncion A. UCI Machine Learning Repository[http://archive.ics.uci.edu/ml]. — University of California, Irvine,School of Information, Computer Sciences, 2010.38.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
