Институт проблем информатики Российской Академии наук
 Институт проблем информатики Российской Академии наук
 Российская Академия наук

Институт проблем информатики Российской Академии наук

Русский | English     Контакты

Об институтеНаправления деятельностиНаучно-исследовательские работы и проектыОбъекты интеллектуальной собственностиНаучные журналы ИПИ РАНДругие публикацииСеминары и конференции


Поиск:

«Информатика и ее применения» (Том 10, Выпуск 2, 2016)

Оглавление | Аннотации | Об авторах

Библиография

МОДЕЛИРОВАНИЕ И МОНИТОРИНГ СОСТОЯНИЯ VoIP-СОЕДИНЕНИЯ.

  • А. В. Борисов  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, aborisov@frccsc.ru
  • А. В. Босов  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, abosov@frccsc.ru
  • Г. Б. Миллер   Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, gmiller@frccsc.ru

Литература

  1. Gilbert E.N. Capacity of a burst-noise channel // Bell Syst. Tech. J., 1960. Vol. 39. P. 1253-1265.
  2. Elliott E. O. Estimates of error rates for codes on burst- noise channels//Bell Syst. Tech. J., 1963. Vol. 42. P 19771997.
  3. Altman E, Avrachenkov K., Barakat C. TCP in presence of bursty losses // Perform. Evaluation, 2000. Vol. 42. P. 129-147.
  4. Миллер Б. М., Авраченков К. Е, Степанян К. В., Миллер Г. Б. Задача оптимального стохастического управления потоком данных по неполной информации // Пробл. передачи информ., 2005. Т 41. № 2. С. 89-110. doi: 10.1007/s11122-005-0020-8.
  5. Bruno R., Conti M., Gregori E. Throughput analysis and measurements in IEEE 802.11 WLANs with TCP and UDP traffic flows // IEEE Trans. Mobile Comput., 2008. Vol. 7. No. 2. P. 171-186.
  6. Hafilinger G., Hohlfeld O. The Gilbert-Elliott model for packet loss in real time services on the Internet // 14th GI/ITG Conference on Measurement, Modelling and Evaluation of Computer and Communication Systems (MMB) Proceedings. - Dortmund, Germany, 2008. P. 269-283.
  7. Malik M., Aydin M., Shah Z, Hussain S. Stochastic model of TCP and UDP traffic in IEEE 802.11b/g. // IEEE 9th Conference on Industrial Electronics and Applications (ICIEA) Proceedings.- IEEE, 2014. P. 2170-2175.
  8. Whitt W. Stochastic-process limits. An introduction to stochastic-process limits and their application to queues. - New York, NY, USA: Springer, 2002. 602 p.
  9. Bohacek S. A stochastic model of TCP and fair video trans-mission // 22nd Annual Joint Conference of the IEEE Computer and Communications (INFOCOM) Proceedings. - IEEE, 2003. Vol. 2. P. 1134-1144.
  10. Liu Y., Gong W. On fluid queueing systems with strict priority // IEEE Trans. Automat. Contr., 2003. Vol. 48. No. 12. P. 2079-2088.
  11. Domanska J., Domanski A., Czachorski T., Klamka J. Fluid flow approximation of time-limited TCP/UDP/XCP streams // Bull. Pol. Acad. Sci. Tech. Sci., 2014. Vol. 62. No. 2. P. 217-225.
  12. Leland W. E, Taqqu M. S., Willinger W, Wilson D. V. On the self-similar nature of Ethernet traffic // IEEE ACM Trans. Network., 1994. Vol. 2. No. 1. P 1-15.
  13. Crovella M. E., Bestavros A. Self-similarity in World Wide Web traffic: Evidence and possible causes // IEEE ACM Trans. Network., 1997. Vol. 5. No. 6. P 835-846.
  14. Tsybakov B., Georganas N. Overflow and losses in a network queue with a self-similar input // Queueing Syst., 2000. Vol. 35. No. 1-4. P. 201-235.
  15. Yariv E., Merhav N. Hidden Markov processes // IEEE Trans. Inform. Theory, 2002. Vol. 48. No. 6. P. 1518-1569.
  16. Борисов А. В., Миллер Г. Б. Анализ и фильтрация специальных марковских процессов в дискретном времени. II. Оптимальная фильтрация // Автоматика и телемеханика, 2005. № 7. С. 112-125. doi: 10.1007/s10513-005-0153-7.
  17. Anisimov V. Switching processes in queueing models. - New York, NY, USA: Wiley, 2008. 352 p.
  18. Ellis M., Pezaros D. P., Kypraios T., Perkins C. Modelling packet loss in RTP-based streaming video for residential users // 37th Conference on Local Computer Networks Proceedings. - New York, NY, USA: IEEE Press, 2012. P. 220-223.
  19. Липцер Р.Ш., Ширяев А.Н. Теория мартингалов. - М.: Наука, 1986. 512 с.
  20. Elliott R. J., Aggoun L., Moore J. B. Hidden Markov models: Estimation and control. - New York, NY, USA: Springer, 2008. 382 p.
  21. Борисов А. В. Применение алгоритмов оптимальной фильтрации для решения задачи мониторинга доступности удаленного сервера // Информатика и её применения, 2014. Т. 8. Вып. 3. С. 53-69. doi: 10.14375/19922264140307.
  22. Borisov A. Partially observable multivariate point processes with linear random compensators: Analysis and filtering with applications to queueing networks // 1st IFAC Conference on Modelling, Identification and Control of Nonlinear Systems (MICNON) Proceedings. - Saint Petersburg, 2015. P. 1119-1124.
  23. Microsoft Message Analyzer. www.microsoft.com/en-us/ 25. Schulzrinne H., Casner S., Frederick R., Jacobson V. RTP: download/details.aspx?id=44226. A transport protocol for real-time applications // RFC
  24. Wireshark.www.wireshark.org/#learnWS.
  25. SchulzrinneH.,CasnerS.,Frederick R.,Jacobson V. RTP: A transport protocol for real-time applications // RFC 3550,2003.tools.ietf.org/html/rfc3550.

НОРМАЛЬНЫЕ УСЛОВНО-ОПТИМАЛЬНЫЕ ФИЛЬТРЫ И ЭКСТРАПОЛЯТОРЫ ПУГАЧЁВА ДЛЯ СТОХАСТИЧЕСКИХ СИСТЕМ, ЛИНЕЙНЫХ ОТНОСИТЕЛЬНО СОСТОЯНИЯ.

  • И. Н. Синицын  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, sinitsin@dol.ru
  • Э. Р. Корепанов  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, ekorepanov@ipiran.ru

Литература

  1. Липцер Р. Ш, Ширяев А. Н. Статистика случайных про-цессов. - М.: Наука, 1974. 476 с.
  2. Синицын И. Н. Фильтры Калмана и Пугачёва. - 2-е изд. - М.: Логос, 2007. 776 с.
  3. Синицын И.Н., Синицын В. И. Лекции по нормальной и эллипсоидальной аппроксимации в стохастических системах. - М.: ТОРУС ПРЕСС, 2013. 476 с.
  4. Синицын И. Н. Параметрическое статистическое и аналитическое моделирование распределений в нелинейных стохастических системах на многообразиях // Информатика и её применения, 2013. Т. 7. Вып. 2. С. 4-16.
  5. Синицын И. Н., Корепанов Э. Р. Нормальные условно-оптимальные фильтры Пугачёва для дифференциальных стохастических систем, линейных относительно состояния // Информатика и её применения, 2015. Т. 9. Вып. 2. С. 30-38.
  6. Ройтенберг Я. Н. Автоматическое управление. - 3-е изд., перераб. и доп. - М.: Наука, 1992. 576 с. 7
  7. Корепанов Э. Р. Стохастические информационные технологии на основе фильтров Пугачёва // Информатика и её применения, 2011. Т. 5. Вып. 2. С. 36-57.

ЭЛЛИПСОИДАЛЬНЫЕ СУБОПТИМАЛЬНЫЕ ФИЛЬТРЫ ДЛЯ НЕЛИНЕЙНЫХ СТОХАСТИЧЕСКИХ СИСТЕМ НА МНОГООБРАЗИЯХ.

  • И. Н. Синицын  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, sinitsin@dol.ru
  • В. И. Синицын   Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, vsinitsin@ipiran.ru
  • Э. Р. Корепанов  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, ekorepanov@ipiran.ru

Литература

  1. Синицын И.Н. Аналитическое моделирование распределений на основе ортогональных разложений в нелинейных стохастических системах на многообразиях // Информатика и её применения, 2015. Т. 9. Вып. 3. C. 17-24.
  2. Синицын И. Н. Применение ортогональных разложений для аналитического моделирования многомерных распределений в нелинейных стохастических системах на многообразиях // Системы и средства информатики, 2015. Т. 25. № 3. С. 3-22.
  3. Синицын И.Н. Ортогональные субоптимальные фильтры для нелинейных стохастических систем на многообразиях // Информатика и её применения, 2016. Т. 10. Вып. 1. С. 34-44.
  4. Ватанабэ С., Икэда Н. Стохастические дифференциальные уравнения и диффузионные процессы / Пер. с англ. - М.: Наука, 1986. 448 с. (Watanabe S, Ikeda N. Stochastic differential equations and diffusion processes. - Amsterdam - Oxford - New York: North-Holland Publishing Co.; Tokyo: Kodansha Ltd., 1981. 476 p.)
  5. Справочник по теории вероятностей и математической статистике / Под ред. В. С. Королюка, Н. И. Портенко, А. В. Скорохода, А. Ф. Турбина. - М.: Наука, 1985. 640 с.
  6. Пугачев В. С., Синицын И. Н. Пугачёв В. С., Синицын И. Н. Стохастические дифференциальные системы. Анализ и фильтрация. - М.: Наука, 1990. 632 с.
  7. Пугачёв В. С., Синицын И. Н. Теория стохастических систем. - М.: Логос, 2000; 2004. 1000 с.
  8. Синицын И. Н. Фильтры Калмана и Пугачева. - 2-е изд. - М.: Логос, 2007. 776 с.
  9. Wonham W. M. Some applications of stochastic differential equations to optimal nonlinear filtering//J. Soc. Ind. Appl. Math. A, 1964. Vol. 2. No. 3. P 347-369.
  10. Zakai M. On the optimal filtering of diffusion processes// Z. Wahrscheinlichkeit., 1969. Bd. 11. S. 230-243.
  11. Синицын И. Н., Синицын В. И. Лекции по теории нормальной и эллипсоидальной аппроксимации распределений в стохастических системах. - М.: ТОРУС ПРЕСС, 2013. 488 с.

МЕТРИЧЕСКАЯ КЛАССИФИКАЦИЯ ВРЕМЕННЫХ РЯДОВ СО ВЗВЕШЕННЫМ ВЫРАВНИВАНИЕМ ОТНОСИТЕЛЬНО ЦЕНТРОИДОВ КЛАССОВ.

  • А. В. Гончаров  Московский физико-технический институт, alex.goncharov@phystech.edu
  • В. В. Стрижов  Вычислительный центр им. А. А. Дородницына Федерального исследовательского центра "Информатика и управление" Российской академии наук, strijov@ccas.ru

Литература

  1. Кузнецов М. П., Ивкин Н. П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных, 2015. T. 1.Вып. 13. C. 1471-1483.
  2. Попова М. С., Стрижов В. В. Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информатика и её при-менения, 2015. Т. 9. Вып. 1. С. 79-89.
  3. Ignatov A. D., Strijov V. V. Human activity types recognition using quasiperiodic sets of time series collected from a single tri-axial accelerometer // Multimedia tools and applications. - Springer, 2015. P. 1-14.
  4. Faloutsos C, Ranganathan M., Manolopoulos Y. Fast subsequence matching in time-series databases // SIGMOD Conference (International) on Management of Data Proceedings. - Minneapolis, MN, USA: ACM, 1994. P. 419- 429.
  5. Berndt D. J., Clifford J. Using dynamic time warping to find patterns in time series // Workshop on Knowledge Discovery in Databases at the 12th Conference (Interna-tional) on Artificial Intelligence Proceedings. - Seattle, WA, 1994. P 359-370.
  6. Keogh E. J., Ratanamahatana C.A. Exact indexing of dynamic time warping // Knowl. Inf. Syst., 2005. Vol. 7. No. 3. P. 358-386.
  7. Vlachos M., Gunopulos D., Kollios G. Discovering similar multidimensional trajectories // 18th Conference (In-ternational) on Data Engineering (ICDE'02) Proceedings. - San Jose, CA, USA: IEEE Computer Society, 2002. P. 673-684.
  8. Chen L, Ng R. T. On the marriage of lp-norms and edit distance // 30th Conference (International) on Very Large Data Bases Proceedings. - Toronto: Morgan Kaufmann, 2004. P. 792-803.
  9. Chen L., Ozsu M. T., Oria V. Robust and fast similarity search for moving object trajectories // 24th ACM Con-ference (International) on Management ofData Proceedings. - Baltimore, MD, USA: ACM, 2005. P 491-502.
  10. Frentzos E, Gratsias K., Theodoridis Y. Index-based most similar trajectory search // 23rd Conference (International) on Data Engineering Proceedings. - Istanbul: IEEE Computer Society, 2007. P 816-825.
  11. Morse M. D., Patel J. M. An efficient and accurate method for evaluating time series similarity // ACM Conference (International) on Management of Data Proceedings. - Beijing: ACM, 2007. P. 569-580.
  12. Chen Y., NascimentoM. A., OoiB. C., TungA. K. H. SpADe: On Shape-based pattern detection in streaming time series //23rd Conference (International) on Data Engineering Proceedings. - Istanbul: IEEE Computer Society, 2007. P. 786-795.
  13. Keogh E. J., PazzaniM. J. Scaling up dynamic time warping to massive datasets // Principles of Data Mining and Knowledge Discovery: 3rd European Conference Pro-ceedings. - Berlin-Heidelberg: Springer, 1999. P. 1-11.
  14. Salvador S., Chan P. Fastdtw: Toward accurate dynamic time warping in linear time and space // 3rd Workshop on Mining Temporal and Sequential Data Proceedings. - Seattle, WA, USA, 2004. P. 70-80.
  15. Гончаров А. В., Попова М. С., Стрижов В. В. Метрическая классификация временных рядов с выравниванием относительно центроидов классов // Системы и средства информатики, 2015. Т. 25. Вып. 4. С. 52-64.
  16. Petitjean F., Forestier G., Webb G.I., Nicholson A.E., Chen Y., Keogh E. Dynamic time warping averaging of time series allows faster and more accurate classification // 30th IEEE Conference (International) on Data Engineering Proceedings. - Chicago, IL, USA: IEEE Computer Society, 2014. P 470-479.
  17. Data from accelerometer. https://sourceforge.net/p/ mlalgorithms/code/HEAD/tree/Group274/Goncharov 2015MetricClassification/data / preprocessed Jarge.csv.

МЕТРИЧЕСКОЕ ОБУЧЕНИЕ В ЗАДАЧАХ МУЛЬТИКЛАССОВОЙ КЛАССИФИКАЦИИ ВРЕМЕННЫХ РЯДОВ.

  • Р. В. Исаченко  Московский физико-технический институт, isa-ro@yandex.ru
  • В. В. Стрижов  Вычислительный центр им. А. А. Дородницына Федерального исследовательского центра "Информатика и управление" Российской академии наук, strijov@ccas.ru

Литература

  1. Попова М. С., Стрижов В. В. Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информатика и её применения, 2015. Т. 9. Вып. 1. С. 79-89.
  2. Ignatov A. D., Strijov V. V. Human activity recognition using quasiperiodic time series collected from a single tri- axial accelerometer//Multimed. Tools Appl., 2015. 14 p. doi: 10.1007/s11042-015-26430.
  3. Guler I., Ubeyli E. D. Multiclass support vector machines for eeg-signals classification // IEEE Trans. Inf. Technol. Biomedicine, 2007. Vol. 11. No. 2. P. 117-126.
  4. Ubeyli E. D. Ecg beats classification using multiclass sup-port vector machines with error correcting output codes // Digit. Signal Process., 2007. Vol. 17. No. 3. P 675-684.
  5. Anand R., Mehrotra K., Mohan C. K., Ranka S. Efficient classification for multiclass problems using modular neural networks // IEEE Trans. Neural Networ., 1995. Vol. 6. No. 1.P 117-124.
  6. Kafai M., Bhanu B. Dynamic bayesian networks for vehicle classification in video // IEEE Trans. Ind. Inform., 2012. Vol. 8. No. 1. P. 100-109.
  7. Chaovalitwongse W.A., Fan Y.-J., Sachdeo R.C. On the time series k-nearest neighbor classification of abnormal brain activity // IEEE Trans. Syst. Man Cy. A, 2007. Vol. 37. No. 6. P 1005-1016.
  8. Yang L., Jin R. Distance metric learning: A comprehensive survey. - Michigan State University, 2006. Vol. 2. 51 p.
  9. Bellet A., Habrard A., Sebban M. A survey on metric learning for feature vectors and structured data. arXiv preprint arXiv:1306.6709, 2013.
  10. Wang F., Sun J. Survey on distance metric learning and dimensionality reduction in data mining // Data Min. Knowl. Disc., 2015. Vol. 29. No. 2. P 534-564.
  11. McFee B, Lanckriet G. R. Metric learning to rank // 27th Conference (International) on Machine Learning Pro-ceedings, 2010. P. 775-782.
  12. Guillaumin M., Verbeek J., Schmid C. Is that you? Metric learning approaches for face identification // IEEE 12th Conference (International) on Computer Vision Proceedings. - IEEE, 2009. P. 498-505.
  13. Weinberger K. Q., SaulL. K. Fast solvers and efficient implementations for distance metric learning // 25th Conference (International) on Machine Learning Proceedings, 2008. P. 1160-1167.
  14. Weinberger K. Q, Blitzer J., Saul L. K. Distance metric learning for large margin nearest neighbor classification // Advances in Neural Information Processing Systems. - Cambridge, MA, USA: MIT Press, 2006. P. 1473-1480.
  15. Berndt D.J., Clifford J. Using dynamic time warping to find patterns in time series // KDD Workshop, 1994. Vol. 10. No. 16. P 359-370.
  16. Petitjean F., Ketterlin A., Ganqarski P. A global averaging method for dynamic time warping, with applications to clustering // Pattern Recogn., 2011. Vol. 44. No.3. P. 678-693.
  17. Гончаров А. В., Попова М. С., Стрижов В. В. Метрическая классификация временных рядов с выравниванием относительно центроидов классов // Системы и средства информатики, 2015. Т. 25. № 4. С. 52-64.
  18. Vandenberghe L., Boyd S. Semidefinite programming // SIAM Rev., 1996. Vol. 38. No. 1. P. 49-95.
  19. Исаченко Р.В. Реализация алгоритма классификации временных рядов // Sourceforge.net, 2015. http://sourceforge.net/p/mlalgorithms/code/HEAD/ tree/Group274/Isachenko2015TimeSeries/code.
  20. UCI repository. Human activity recognition using smartphones dataset. https://archive.ics.uci.edu/ ml/datasets/Human+Activity+Recognition+Using+ Smartphones.

РАСПОЗНАВАНИЕ ЗАВИСИМОСТЕЙ НА ОСНОВЕ ОБРАТНОГО ОТОБРАЖЕНИЯ.

  • А. Н. Тырсин  Научно-инженерный центр "Надежность и ресурс больших систем и машин" УрО РАН, Екатеринбург, at2001@yandex.ru
  • С. М. Серебрянский  Троицкий филиал Челябинского государственного университета, tf_chelgu@maii.ru

Литература

  1. Налимов В. В. Теория эксперимента. - М.: Наука, 1971. 208 с.
  2. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Исследование зависимостей. - М.: Финансы и статистика, 1985. 487 с.
  3. Клейнер Г. Б., Смоляк С. А. Эконометрические зависимости: принципы и методы построения. - М.: Наука, 2000. 104 с.
  4. Орлов А. И. Прикладная статистика. - 2-е изд., пере- раб. и доп. - М.: Экзамен, 2007. 671 с.
  5. Тырсин А. Н. Идентификация зависимостей на основе моделей авторегрессии //Автометрия, 2005. Т. 41. № 1. С. 43-49.
  6. Тырсин А. Н., Серебрянский С. М. Распознавание зависимостей во временных рядах на основе структурных разностных схем // Автометрия, 2015. Т. 51. №2. С. 54-60.
  7. Букреев В. Г., Колесникова С. И., Янковская А. Е. Выявление закономерностей во временных рядах в задачах распознавания состояний динамических объектов. - 2-е изд., испр. и доп. - Томск: ТПУ, 2011. 254 с.
  8. Магнус Я. Р., Катышев П. К. Пересецкий А. А. Эконометрика. Начальный курс. - 6-е изд., перераб. и доп. - М.: Дело, 2004. 576 с.
  9. Мудров В. И., Кушко В. Л. Методы обработки измерений: Квазиправдоподобные оценки. - 2-е изд., перераб. и доп. - М.: Радио и связь, 1983. 304 с.
  10. Тырсин А. Н. Модель авторегрессии как отображение функциональной зависимости временного ряда // Системы управления и информационные технологии, 2005. № 1(18). С. 27-29.
  11. Greene W H. Econometric analysis. - 7th ed. - Prentice Hall, 2011. 1230 p.
  12. Михайлов Г. А., Войтишек А. В. Численное статистическое моделирование. Методы Монте-Карло. - М.: Академия, 2006. 368 с.

СТАТИСТИЧЕСКИЕ СВОЙСТВА МЕТОДА ПОДАВЛЕНИЯ ШУМА, ОСНОВАННОГО НА СТАБИЛИЗИРОВАННОЙ ЖЕСТКОЙ ПОРОГОВОЙ ОБРАБОТКЕ.

  • О. В. Шестаков  Московский государственный университет им. М. В. Ломоносова, кафедра математической статистики факультета вычислительной математики и кибернетики; Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, oshestakov@cs.msu.su

Литература

  1. Donoho D., Johnstone I. M. Ideal spatial adaptation via wavelet shrinkage // Biometrika, 1994. Vol. 81. No.3. P. 425-455.
  2. Breiman L. Heuristics of instability and stabilization in model selection // Ann. Statist., 1996. Vol. 24. No. 6. P. 2350-2383.
  3. Jansen M. Noise reduction by wavelet thresholding. - Lecture notes in statistics ser. - Springer Verlag, 2001. Vol. 161. 218 p.
  4. Huang H.-C., Lee T.C.M. Stabilized thresholding with generalized sure for image denoising // IEEE 17th Conference (International) on Image Processing Proceedings. - IEEE, 2010. P. 1881-1884.
  5. Stein C. Estimation of the mean of a multivariate normal distribution//Ann. Stat., 1981. Vol. 9. No. 6. P. 1135- 1151.
  6. Маркин А. В. Предельное распределение оценки риска при пороговой обработке вейвлет-коэффициентов // Информатика и её применения, 2009. Т. 3. Вып. 4. С. 57-63.
  7. Маркин А. В., Шестаков О. В. О состоятельности оценки риска при пороговой обработке вейвлет-коэффициентов // Вестн. Моск. ун-та. Сер. 15. Вычисл. матем. и киберн., 2010. № 1. C. 26-34.
  8. Шестаков О. В. Асимптотическая нормальность оценки риска пороговой обработки вейвлет-коэффициентов при выборе адаптивного порога // Докл. РАН, 2012. Т. 445. № 5. С. 513-515.
  9. Шестаков О. В. О точности приближения распределения оценки риска пороговой обработки вейвлет- коэффициентов сигнала нормальным законом при неизвестном уровне шума // Системы и средства информатики, 2012. Т. 22. № 1. С. 142-152.
  10. Mallat S. A wavelet tour of signal processing. -New York, NY, USA: Academic Press, 1999. 857 p.

ОБ ОПТИМАЛЬНОМ ПОРОГОВОМ ЗНАЧЕНИИ ДЛИНЫ ОЧЕРЕДИ В ОДНОЙ ЗАДАЧЕ МАКСИМИЗАЦИИ ДОХОДА СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ ТИПА M/G/1.

  • Я. М. Агаларов  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, agglar@yandex.ru
  • М. Я. Агаларов  ПАО Промсвязьбанк, murad-agalarov@yandex.ru
  • В. С. Шоргин   Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, VShorgin@ipiran.ru

Литература

  1. Welzl M. Network congestion control. - New York, NY, USA: Wiley, 2005. 282 p.
  2. Печинкин А. В., Разумчик Р. В. Время пребывания в различных режимах системы обслуживания с неординарными пуассоновскими входящими потоками, рекуррентным обслуживанием и гистерезисной по-литикой // Информационные процессы, 2015. Т. 15. № 3. C. 324-336.
  3. Nino-Mora J. Restless bandit marginal productivity indices, diminishing returns, and optimal control of make- to-order/make-to-stock M/G/1 queues // Math. Oper. Res., 2006. Vol. 31. No. 1. P. 50-84.
  4. Жерновый Ю. В. Решение задач оптимального синтеза для некоторых марковских моделей обслуживания // Информационные процессы, 2010. Т. 10. № 3. C. 257274.
  5. Коновалов М. Г. Об одной задаче оптимального управления нагрузкой на сервер // Информатика и её при-менения, 2013. Т. 7. Вып. 4. С. 34-43.
  6. Агаларов Я. М. Пороговая стратегия ограничения доступа кресурсам в СМО M/D/1 с функцией штрафов за несвоевременное обслуживание заявок // Информатика и её применения, 2015. Т. 9. Вып. 3. С. 56-65.
  7. Гришунина Ю. Б. Оптимальное управление очередью в системе M/G/1/то с возможностью ограничения приема заявок // Автоматика и телемеханика, 2015. №3. С. 79-93.
  8. Карлин С. Основы теории случайных процессов/Пер. с англ. - М.: Мир, 1971. 536 с. (Karlin S. A first course in stochastic processes. - New York, NY, USA - London, U.K.: Academic Press, 1968. 502 p.)
  9. Бочаров П. П., Печинкин А. В. Теория массового обслуживания. - М.: РУДН, 1995. 529 с.
  10. Майн Х., Осаки С. Марковские процессы принятия решений. - М.: Наука, 1977. 176 с.

БАЙЕСОВСКАЯ РЕКУРРЕНТНАЯ МОДЕЛЬ РОСТА НАДЕЖНОСТИ: ПАРАБОЛИЧЕСКОЕ РАСПРЕДЕЛЕНИЕ ПАРАМЕТРОВ.

  • А. А. Кудрявцев  Московский государственный университет им. М.В. Ломоносова, факультет вычислительной математики и кибернетики, nubigena@mail.ru
  • С. И. Палионная  Московский государственный университет им. М. В. Ломоносова, факультет вычислительной математики и кибернетики, sofiapaiionnaya@gmail.com

Литература

  1. Королев В. Ю., Соколов И. А. Основы математической теории надежности модифицируемых систем. - М.: ИПИ РАН, 2006. 102 с.
  2. Кудрявцев А. А. Байесовские модели массового обслуживания и надежности: априорные распределения с компактным носителем // Информатика и её применения, 2016. Т 10. Вып. 1. С. 67-71.

РАЗЛОЖЕНИЯ ТИПА КОРНИША-ФИШЕРА ДЛЯ РАСПРЕДЕЛЕНИЙ СТАТИСТИК, ПОСТРОЕННЫХ ПО ВЫБОРКАМ СЛУЧАЙНОГО РАЗМЕРА.

  • А. С. Марков  Московский государственный университет им. М. В. Ломоносова, факультет вычислительной математики и кибернетики, markov.cmc@yandex.ru
  • М. М. Монахов  Московский государственный университет им. М. В. Ломоносова, факультет вычислительной математики и кибернетики, mih_monah@mail.ru
  • В. В. Ульянов   Московский государственный университет им. М. В. Ломоносова, факультет вычислительной математики и кибернетики, vulyanov@cs.msu.ru

Литература

  1. Королев В. Ю. Предельные распределения для случайно индексированных последовательностей и их применения. - М.: МГУ, 1993. 269 с.
  2. Гнеденко Б. В. Об оценке неизвестных параметров распределения при случайном числе независимых наблюдений // Тр. Тбилисского мат. ин-та, 1989. Т 92. С. 146-150.
  3. Бенинг В. Е, Королев В. Ю., ГалиеваН. К. Асимптотические разложения для функций распределения статистик, построенных по выборкам случайного объема // Информатика и её применения, 2013. Т. 7. Вып. 2. С. 75-83.
  4. Cornish E. A., Fisher R. A. Moments and cumulants in the specification of distributions//Rev. Inst. Int. Statist., 1937. Vol. 4. P. 307-320.
  5. HillG. W., Davis A. W. Generalized asymptotic expansions of Cornish-Fishertype //Ann. Math. Stat., 1968. Vol. 39. P. 1264-1273.
  6. Jaschke S. The Cornish-Fisher expansion in the context of delta-gamma-normal approximations // J. Risk, 2002. Vol. 4. No. 4. P. 33-52.
  7. Ulyanov V. V., Aoshima M., Fujikoshi Y. Non-asymptotic results for Cornish-Fisher expansions. Technical Report Hiroshima Statistical Research Group. No. 16-03. - Hi-roshima: Hiroshima University, 2016. 8 p.
  8. Ulyanov V. V. Cornish-Fisher expansions // International encyclopedia of statistical science / Ed. M. Lovric. - Berlin: Springer, 2011. P 312-315.
  9. Прудников А. П., Брычков Ю.А., Маричев О. И. Интегралы и ряды. Элементарные функции. - М.: Наука, 1981. 344 с.

СИСТЕМА ОБСЛУЖИВАНИЯ С ГИПЕРЭКСПОНЕНЦИАЛЬНЫМ ВХОДЯЩИМ ПОТОКОМ И ПРОФИЛАКТИКАМИ ПРИБОРА.

  • В. Г. Ушаков  Факультет вычислительной математики и кибернетики Московского государственного университета им. М.В. Ломоносова; Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, vgushakov@mail.ru

Литература

  1. Dosh i B. T. Queueing systems with vacations - a survey // Queueing Syst., 1986. Vol. 1. P. 29-66.
  2. Takagi H. Time-dependent analysis of M|G|1 vacation models with exhaustive service // Queueing Syst., 1990. Vol. 6. P. 369-390.
  3. Li J., Tian N., Zhang Z. G, Luh H. P. Analysis of the M|G|1 queue with exponentially working vacations - a matrix analytic approach// Queueing Syst., 2009. Vol. 61. P 139166.
  4. Bouman N, Borst S. C., Boxma O. J., Leeuwaarden J. S. H. Queues with random back-offs // Queueing Syst., 2014. Vol. 77. P. 33-74.

МНОГОМЕРНОЕ ДРОБНОЕ ДВИЖЕНИЕ ЛЕВИ И ЕГО ПРИЛОЖЕНИЯ.

  • Ю. С. Хохлов  Московский государственный университет им. М. В. Ломоносова, yskhokhlov@yandex.ru

Литература

  1. Laskin N, Lambadaris I., Harmantzis F.C., Devetsiki- otis M. Fractional Levy motion and its application to network traffic modeling // Computor Networks, 2002. Vol. 40. P. 363-375.
  2. De Nikola C., Khokhlov Yu. S., Pagano M, Sidorova O. I. Fractional Levy motion with dependent increments and its application to network traffic modeling // Информатика и её применения, 2012. Т. 6. Вып. 3. С. 58-63.
  3. Stoev S., Taqqu M. How rich is the class of multifrac- tional brownian motions? // Stochastic Processes Their Applications, 2006. Vol. 116. P 200-221.
  4. Amblard P. O., Coeurjolly J. F., Lavancier F., Philippe A. Basic properties of the multivariate fractional Brownian motion // Bull. Society Mathematique de France, Semi- naires et Congres, 2012. Vol. 28. P 65-87.
  5. Золотарев B. М. Одномерные устойчивые распределения. - М.: Наука, 1983. 304 с.
  6. Nolan J. P. Multivariate elliptically contoured stable distributions: Theory and estimation//Comput. Stat., 2013. Vol. 28. No. 5. P 2067-2089.
  7. Samorodnitsky G., Taqqu M. S. Stable non-Gaussian random processes. - London: Chapman & Hall, 1994. 632 p.
  8. Embrechts P., Maejima M. Selfsimilar process. - Princeton, NJ, USA: Princeton University Press, 2002. 111 p.
  9. Breiman L. On some limit theorems similar to the arc- sin law // Теория вероятн. и ее примен., 1965. Т. 10. Вып. 2. С. 351-359.
  10. Norros I. A storage model with self-similar input // Queuing Syst., 1994. Vol. 16. P. 387-396.
  11. Ибрагимов И. А., Линник Ю.В. Независимые и стационарно связанные величины. - М.: Наука, 1965. 524 с.

ИНТЕНСИВНОСТЬ ЦИТИРОВАНИЯ НАУЧНЫХ ПУБЛИКАЦИЙ В ИЗОБРЕТЕНИЯХ ПО ИНФОРМАЦИОННО-КОМПЬЮТЕРНЫМ ТЕХНОЛОГИЯМ, ПАТЕНТУЕМЫХ В РОССИИ ОТЕЧЕСТВЕННЫМИ И ЗАРУБЕЖНЫМИ ЗАЯВИТЕЛЯМИ.

  • В. А. Минин  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, aleksisss@ya.ru
  • И. М. Зацман  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, iz_ipi@al70.ipi.ac.ru
  • В. А. Хавансков  Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, havanskov@a170.ipi.ac.ru
  • С. К. Шубников   Институт проблем информатики Федерального исследовательского центра "Информатика и управление" Российской академии наук, sergeysh50@yandex.ru

Литература

  1. Giuri P., Mariani M., Brusoni S., Crespi G., Francoz D., Gambardella A., Garcia-Fontes W, GeunaA., Gonzales R., Harhoff D., Hoisl K., Le Bas C., Luzzi A., Magazzini L., Nesta L., Nomaler O., Palomares N, P. Patel, Romanel- li M., Verspagen B. Inventors and invention processes in Europe: Results from the PatVal-EU survey// Res. Policy, 2007. Vol. 36. No. 8. P. 1107-1127.
  2. Van Looy B., Zimmermann E, Veugelers R., Verbeek A., Mello J., Debackere K. Do science-technology interactions pay on when developing technology? An exploratory in-vestigation of 10 science-intensive technology domains // Scientometrics, 2003. Vol. 57. No. 3. P. 355-367.
  3. Narin F., Noma E. Is technology becoming science? // Scientometrics, 1985. Vol. 7. No. 3-6. P. 369-381.
  4. Mansfield E. Academic research and innovation // Res. Policy, 1991. Vol. 20. No. 1. P. 1-12.
  5. Schmoch U. Tracing the knowledge transfer from science to technology as reflected in patent indicators // Scientometrics, 1993. Vol. 26. No. 1. P. 193-211.
  6. Mansfield E. Academic research underlying industrial innovations: Sources, characteristics and financing // Rev. Econ. Stat., 1995. Vol. 77. No. 1. P. 55-62.
  7. Narin F., Olivastro D. Linkage between patents and papers: An interim EPO/US comparison// Scientometrics, 1998. Vol. 41. No. 1-2. P. 51-59.
  8. Mansfield E. Academic research and industrial innovation: An update of empirical findings // Res. Policy, 1998. Vol. 26. No. 7-8. P. 773-776.
  9. Tijssen R. J. W., Buter R. K, Van Leeuwen Th. N. Technological relevance of science: An assessment of citation linkages between patents and research papers // Sciento-metrics, 2000. Vol. 47. No. 2. P. 389-412.
  10. Verbeek А., Debackere K., Luwel M., Andries P., Zimmermann E., Deleus D. Linking science to technology: Using bibliographic references in patents to build linkage schemes // Scientometrics, 2002. Vol. 54. No. 3. P. 399420.
  11. European Commission. Third European Report on Science & Technology Indicators. - Luxembourg: Office for Official Publications of the European Communities, 2003. 451 p.
  12. Van Looy B., Hansen W., Hollanders H., Tijssen R. Using concordance tables to disentangle performance dynamics of HT manufacturing industries: An empirical assessment of national innovation systems // 10th Conference (Inter-national) on Science and Technology Indicators Proceed-ings: Book of abstracts. - Vienna: ARC GmbH, 2008. P 196-200.
  13. Зацман И. М., Шубников С.К. Принципы обработки информационных ресурсов для оценки инновационного потенциала направлений научных исследований // Электронные библиотеки: перспективные методы и технологии, электронные коллекции: Тр. IX Всеросс. науч. конф. RCDL'2007. - Переславль: Университет города Переславля, 2007. С. 35-44.
  14. Минин В. А., Зацман И. М., Кружков М. Г., Норекян Т.П. Методологические основы создания информационных систем для вычисления индикаторов тематических взаимосвязей науки и технологий // Информатика и её применения, 2013. Т 7. Вып. 1. С. 70-81.
  15. Минин В. А., Зацман И. М., Хавансков В. А., Шубников С. К. Архитектурные решения для систем вычисления индикаторов тематических взаимосвязей науки и технологий // Системы и средства информатики, 2013. Т. 23. № 2. C. 260-283.
  16. Зацман И. М., Хавансков В. А., Шубников С. К. Метод извлечения библиографической информации из полнотекстовых описаний изобретений // Информатика и её применения, 2013. Т. 7. Вып. 4. С. 52-65.
  17. Хавансков В. А., Шубников С. К. Поиск и рубрицирование ссылок на цитируемые публикации в электронных библиотеках полнотекстовых описаний изобретений // Электронные библиотеки: перспективные методы и технологии, электронные коллекции: Тр. XVI Всеросс. науч. конф. RCDL-2014. - Дубна: ОИЯИ, 2014. С. 165-173.
  18. Минин В. А., Зацман И. М., Хавансков В. А., Шубников С. К. Индикаторы тематических взаимосвязей науки и технологий: от текста к числам // Информатика и её применения, 2014. Т. 8. Вып. 3. С. 114-125.
  19. Минин В. А., Зацман И. М., Хавансков В. А., Шубников С. К. Индикаторы тематических взаимосвязей науки и информационно-компьютерных технологий в начале XXI века // Информатика и её применения, 2015. Т. 9. Вып. 2. С. 111-120.
  20. Зацман И. М., Веревкин Г. Ф. Информационный мониторинг сферы науки в задачах программно-целевого управления // Системы и средства информатики, 2006. Вып. 16. С. 164-189.
  21. Зацман И. М., Кожунова О. С. Семантический словарь системы информационного мониторинга в сфере науки: задачи и функции // Системы и средства информатики, 2007. Вып. 17. С. 124-141.
  22. Zatsman I., Kozhunova O. Evaluating for institutional academic activities: Classification scheme for R&D indi-cators // 10th Conference (International) on Science and Technology Indicators: Book of abstracts. - Vienna: ARC GmbH, 2008. P. 428-431.
  23. Zatsman I., Kozhunova O. Evaluation system for the Russian Academy of Sciences: Objectives-resources-results approach and R&D indicators // Atlanta Conference on Science and Innovation Policy Proceedings / Eds. S.E. Cozzens, P Catabn. 2009. http://smartech. gatech.edu/bitstream/1853/32300/1/104-674-1- PB.pdf.
  24. Архипова М.Ю., Зацман И. М., Шульга С.Ю. Индикаторы патентной активности в сфере информационно-коммуникационных технологий и методика их вычисления // Экономика, статистика и информатика. Вестник УМО, 2010. №4. С. 93-104.
  25. Zatsman I., Durnovo A. Incompleteness problem of indi-cators system of research programme // 11th Conference (International) on Science and Technology Indicators: Book of abstracts. - Leiden: CWTS, 2010. P. 309-311.
  26. Зацман И. М., Дурново А. А. Моделирование процессов формирования экспертных знаний для мониторинга программно-целевой деятельности // Информатика и её применения, 2011. Т. 5. Вып. 4. С. 84-98.
  27. Российское агентство по патентам и товарным знакам (Роспатент): Годовой отчет 2000. http://www1. fips.ru/wps/wcm/connect/content_ru/ru/otchety/ otchet_2000_r6.
  28. Федеральная служба по интеллектуальной собственности (Роспатент): Годовой отчет 2014. http://www. rupto.ru/about/reports/2014_l#1.2.

СТАЦИОНАРНЫЕ ВЕРОЯТНОСТИ СОСТОЯНИЙ В СИСТЕМЕ ОБСЛУЖИВАНИЯ КОНЕЧНОЙ ЕМКОСТИ С ИНВЕРСИОННЫМ ПОРЯДКОМ ОБСЛУЖИВАНИЯ И ОБОБЩЕННЫМ ВЕРОЯТНОСТНЫМ ПРИОРИТЕТОМ.

  • Л. А. Мейханаджян  Российский университет дружбы народов, lameykhanadzhyan@gmail.com

Литература

  1. Мейханаджян Л.А., Милованова Т. А., Печинкин А. В., Разумчик Р. В. Стационарные вероятности состояний в системе обслуживания с инверсионным порядком обслуживания и обобщенным вероятностным приоритетом // Информатика и её применения, 2014. Т 8. Вып. 3. С. 16-26.
  2. Мейханаджян Л. А., Милованова Т. А., Разумчик Р. В. Время ожидания в системе обслуживания с инверси-онным порядком обслуживания и обобщенным вероятностным приоритетом // Информатика и её применения, 2015. Т. 9. Вып. 2. С. 14-22.
  3. Севастьянов Б. А. Эргодическая теорема для марковских процессов и ее приложение к телефонным системам с отказами//ТВП, 1957. Т. 2. Вып. 1. С. 106-116.
  4. Бочаров П. П., Печинкин А. В. Теория массового обслуживания. - М.: РУДН, 1995. 529 с.
  5. Meykhanadzhyan L., Razumchik R. New scheduling policy for estimation of stationary performance characteristics in single server queues with inaccurate job size information // 30th European Conference on Modelling and Simulation Proceedings. - Dudweiler, Germany: Digitaldruck Pirrot GmbHP, 2016. P.710–716.
  6. Jerri A. Introduction to integral equations with applications. - New York, NY, USA: John Wiley & Sons, 1999. 272 p.
  7. Press W.H., Teukolsky S.A., Vetterling W. T., Flannery B. P. Numerical recipes: The art of scientific computing. — 3rd ed. —2007. 1256 p.
  8. Полянин А. Д., Манжиров А. В. Справочник по интегральным уравнениям. - Бока-Ратон - Лондон: Chapman & Hall, CRC Press, 2008. 1108 p.






 
© 2016 Институт проблем информатики Российской Академии наук Русский | English     Контакты