Файл: Айвазян, С. А. Классификация многомерных наблюдений.pdf

8.

tures. Ann. Math. Stat., 39, № 1, 1968, p. 209—214.

P a t г i с E.

A.,

C o s t e l l o

J.

P.

On Unsupervised Estimation Algo­

9.

rithm. IEEE

Trans., IT—16, № 5,

1970,

p. 556—569.

S p r a g i n s

J.

Learning without

a Teacher. IEEE Trans. 1966, 11 —12,

Г л а в а III

1.

А й в а з я н

С. А. Статистическое исследование зависимостей. M., «Метал­

2.

лургия», 1968.

А й в а з я н

С. А., Б е ж а е в а 3. И. Об экспертно-статистическом мето­

де аппроксимации неизвестной целевой функции. Труды Всесоюзной научно-

технической конференции «Применение теории вероятностей и математичес­

кой статистики в народном хозяйстве», 1972.

-3 . А й з е р м а н

М.

А., Б р а в е р м а н Э. М., Р о з о н о э р Л. И. Метод

4.

потенциальных функций в теории обучения машин. М., «Наука», 1970.

А н д е р с о н

Т. Введение в многомерный статистический анализ. М., Физ­

5.

матгиз, 1963.

А.

Г . . Б р а в е р м а н Э. М. Обучение машины классифика­

А р к а д ь е в

6.

ции объектов. М., «Наука», 1971.

Б о н н е р

Р.

Е.

Некоторые методы классификации. — В сб.: Автомати­

ческий анализ сложных изображений. М., «Мир», 1969.

•7. Б р а в е р м а н

Э. М. Метод потенциальных функций в задаче обучения ма­

шины распознаванию образов без учителя. — «Автоматика и телемеханика»,

1966, № 10, с. 100—121.

и телемеханика», 1966, № 10,

с.

78—87.

Н.

Г.О возможности

11. Е л к и н а

В. Н.,

Е л к и н

Е.

А., З а г о р у й к о

применения методов распознавания

образов в палеонтологии. — «Геология

и геофизика», 1967,

№ 9.

Н.

Г.

Количественные критерии ка­

>12. Е л к и н а

В. Н.,

З а г о р у й к о

чества таксономии

и их

использование

в

процессе

принятия решений.

—В сб.: Вычислительные

системы. Вып.

36. Новосибирск, «Наука», 1969.

13. Е л к и н а

В. Н., Б а х м у т о в а

И.

В., Т и м и р о в

B.G. Программы

таксономии.—В сб.; Вычислительные

системы. Вып.

45. Новосибирск,

«Наука», СО АН СССР, 1971, с.

3-55.

15. Ж у р а в л е в О. Г.,

Т о р г о в и ц к и й И. Ш.

Оптимальный метод

объективной классификации в задачах распознавания

образов. — «Автома- <

тика и телемеханика»,

1965, № 11.

18.

Л у м е л ь с к и й В. Я- Агрегирование матрицы межотраслевого баланса

с помощью алгоритма диагонализации матрицы связи. — «Автоматика и те­

19.

лемеханика»,

1970, № 9, с. 69—72.

М и р к и н

Б. Г. Об одном подходе к обработке нечисловых данных. —•

В сб.: Математические методы моделирования и решения экономических за­

дач. Под ред. К. А. Багриновского. Новосибирск, СО АН СССР, 1969.

21.

М и р к и н Б. Г.,

Ч е р н ы й

Л. Б. Аксиоматический подход к измерению

близости

между различными классификациями объектов данного множества.

— В сб.:

Математические методы моделирования и решения экономических

22.

задач. Под ред. К- А. Багриновского. Новосибирск, СО АН СССР, 1969.

М и р к и н Б. Г.,

Ч е р н ы й

Л. Б. Об измерении близости между раз- *

личными разбиениями конечного множества объектов. — «Автоматика и те­

лемеханика». 1970, № 5, с. 120—127.

31.

са обучения. — В сб.: Вопросы бионики, 1967.

Ц ы п к и н

Я-

3.

Основы теории обучающих систем. М., «Наука», 1970.

32.

Ц ы п к и н

Я.

3.,

К е л ь м а нс Г. К- Рекуррентные алгоритмы само­

33.

обучения. Изв. АН СССР.—«Техническая кибернетика», 1967, § 5, с. 70—80.

Ш л е з и н г е р

М.

И. О самопроизвольном различении образов. — В сб.:

34.

Читающие автоматы. Киев. «Наукова думка», 1965.

A r r o w

К.

Social Choice and Individual Values. J. Wiley, 1951; 2 ed. 1963,

35.

3 ed.

1966.

H a l l

D. I.

Isodata, a novel methods of data analysis and

В a’l 1

G. H.,

36.

pattern

classification. Stanford

Res. Inst. Calif., 1965.

B l u m

J.

A.

Appoximation methods which converges with probability one.

37.

Ann. Math. Stat., 25, № 2, 1954, p. 382—386.

В 1 u m

J.

A.

Multidimensional stochastic approximation procedures. Ann.

38.

Math. Stat., 25, № 4,

1965, p. 734—744.

В о 1s h e v

L.

N.

Cluster analysis. Bull. Int. Stat. Inst., № 43, 1969, p.441—

425.

41.

E d w a r d s

A.

W.

F., С a v a 1 1 i -S f о r z a L.

L. A method for cluster

42.

analysis. Biometrics. 21, p. 362—375.

procedures.—

F i s h e r

L., J o n h

W.

Va n

N ess. Admissible clustering

43.

«Biometrika», 58, № 1, 1971, p. 91—104.

procedures,

«Multivariate

F о r t i e r

J.

J.,

S o l o m o n

H.

Cluctering

44.

Analysis», ed. by Krishnaiah, N. Y., Acad. Press, 1966, p. 493—506.

F r a s e r

P.

M.,

B a r o n

D.

N.

Taxonomic procedures applied to liver

45.

disease. Proc. Soc.

Med., 1968, 61, p. 23—26.

F r i e d m a n H.

P., R u b i n J.

On some invariant criterion for grouping

46.

data. J. Amer. Stat., Ass. 1967, 62,

p. 1159—1178.

G o w e r

I.

C.

Classification and geology. Rev. Intern. Stat. Inst., 1970, 38,

«47.

p. 35—40.

J.

C.,

R o s s

G. J. S. Minimum spanning trees and single linkage

G o w e r

cluster analysis.

Appl. Stat.,

1969,

18,

p. 54—64.

49.

FI о

Y., A g r a w a 1 a A.

K-

On self learning sheme of Nage and Shelton.

50.

Proc. IEEE, 55, № 10, 1967.

1966, 14,

Ja n с e у

R.

C.

Multidimentional group analysis. Austr. J. Bot.,

51.

p.

127.

N.,

S i b s о n

R.

The

construction

of hierarchic

and non-

J

a r d i n e

52.

hierarchic classifications. Comp. J.,

1968, 11, p. 177—184.

cluster

analysis.

J e n s e n

R.

E.

A

dinamic

programming

algorithm for

53.

Oper,

res.,

1969,

17,

p. 1034—1957.

schemes. Psychometrika, 1967,

J

о h n s о n

S.

C.

hierarchical

clustering

54.

32, p. 241—245.

K i e f e r

J.,

W о 1 f о w i t z J. Stochastic estimation of the maximum of a

55.

regression function. Ann. Math. Stat.,

23, №

3, 1952, p. 462—446.

L a n c e G.

N.,

W i l l i a m s

W.

T.

A general

theory

of

classificatory

56.

sorting strategies.

I.

Hierarchical

systems.

Comp.

J., 1967, 9.

p. 373—380.

Ma c

Q u e e n

J. Some methods for classification

and analysis of miltiva-

riate observation. Proc. Fifth Berkeley

Symp. Math. Stat. a. Probab., 1967,

1, p. 281—297.

59.

June 14—19,

1965.

Self

corrective caracter recognition system.

N a g e

G.,

S h e l t o n G. L.

60.

IEEE Trans, 1966, IT-12.

of the Theory of cumps. Mech. Translat.,

N e e d n a m

R.

M.

Application

61.

1965, 8,

p.

13.

M.,

J o n e s

R.

S.

Keywords and clumps. J. Doc., 1964,

N e e d h a m

R.

classifications. Nume rical, taxonomy, ed. by

C o l e A. J. Ld. — N. Y. Acad.

64.

Press., 1969, p. 148—164.

P a r z e n

E. On. the estimation of probability density function and the mode.

65.

Ann. Math. St, 1962, 33, p. 1065—1076.

numerical methods J. Soil Sei.,

R a у n e r

J. H. Classification of soils by

66.

17, p. 79—92.

R o b b i n s

N., M o n r o S. A. Stochastic Approximation method. Berkley

Symp. Math. Stat. a. Probab., 1956, № 1.

68.

S с о t t

A.

J.,

S y m o n s

M.

J.

Clustering methods based on Likelihood

69.

ratio criteria.

— «Biometrics», 1971,

27 p. 387.

S c o t t

A.

J.,

S у m о n s

M.

J. On Edwards and Cavalli—Sforza method

70.

of cluster

analysis. — «Biometrics», 1971, 27,

p. 217—219.

sample set

S e b e s t у e n

G. Pattern

recognition

by

adaptive proccess of

71.

construction. Trans. IRE, 1962,

IT-8, №5.

taxonomy.

S о к a 1

R.

R.,

S n e a t h

P.

H.

A.

Principles of numerical

Ld., Freeman, 1963.

75. W i 1 1 m о t t A. J., G r i m s h a w P.

N. Clucter analysis in social geog­

raphy. Numerical

taxonomy

Ld. — N. Y.,

Acad. Press., 1969, p. 271—281.

•»76. W i s h a r t

D.

An algorithm

for hierarchical classification — «Biometrics»,

22, 1969, p.

165—170.

задача выделения существенных факторов. Автоматика и телемеханика, 1970, ‘

№

1.