всего просмотров: 1244
Оценка читателей: голосов 0
1. Прикладные нечеткие системы / Ред. Т. Тэрано, К. Асано, М. Сугэно. М.: Мир, 1993, 368 с.
2. К. Танака. Итоги рассмотрения факторов неопределенности и неясности в инженерном искусстве // Нечеткие множества и теория возможностей. Последние достиже- ния. М.: Радио и связь, 1986, 406 с.;
3. Ю.П. Пытьев. Моделирование субъективных суждений модельера-исследователя о модели объекта исследования // Математ. моделирование, 2013, т.25, №4, с.102–125
4. Ю.П. Пытьев. Вероятность, возможность и субъективное моделирование в научных исследованиях. Математические, эмпирические основы, приложения. М.: Физматлит, 2017, 280 с.
5. Ю.П. Пытьев. Возможность как альтернатива вероятности. 2 изд., перераб. и дополн. М.: Физматлит, 2016, 600 с.
6. А. Л. Тулупьев, С. И. Николенко, А. В. Сироткин. Байесовские сети: Логико-вероятностный подход. ? СПб.: Наука, 2006, 607 с.
7. R.G. Cowell et al. Probabilistic Networks and Expert Systems – New York: Springer-Verlag, 1999, 324 p.
8. C. Antoniou et al. Subjective Bayesian beliefs // Journal of Risk and Uncertainty, 2015, v.50, № 1, p.35–54.
9. M. Goldstein. Subjective Bayesian Analysis: Principles and Practice // Bayesian Analysis 2006, v.1, p.403–420.
10. D. Williamson, M. Goldstein. Posterior Belief Assessment: Extracting Meaningful Subjective Judgements from Bayesian Analyses with Complex Statistical Models // Bayesian Analysis, 2015, v.10, №4, p.877–908.
11. G. Shafer. A Mathematical Theory of Evidence. Princeton, NJ: Princeton University Press, 1976, 302 p.
12. J. Kohlas, P.-A. Monney. A Mathematical Theory of Hints: An Approach to the Dempster-Shafer Theory of Evidence. ? Springer-Verlag Berlin Heidelberg, 1995, 422 p.
13. R.R. Yager, N. Alajlan. Dempster–Shafer belief structures for decision making under uncertainty // Knowledge-Based Systems, 2015, v.80, p.58–66.
14. A. Josang. A Logic for Uncertain Probabilities // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2001, v.9, №3, p.279–311.
15. A. Josang. Multi-Agent Preference Combination using Subjective Logic // 11th Workshop on Preferences and Soft Constraints (SofT’11). Perugia, 2011.
16. A. Josang, P.C.G. Costa. Determining Model Correctness for Situations of Belief Fusion // 16th International Conference on Information Fusion (FUSION 2013). Istanbul, 2013.
17. T. Muller, D. Wang, A. Josang. Information Theory for Subjective Logic // Modeling Decisions for Artificial Intelligence. Springer Nature, 2015, p.230–242.
18. A. Josang. Subjective Logic: A Formalism for Reasoning Under Uncertainty. Heidelberg: Springer International Publishing, 2016,337 p.
19. A. Josang, L. Kaplan. Principles of subjective networks // 19th International Conference on Information Fusion (FUSION). IEEE, 07/2016, p.1292–1299.
20. R.R. Yager. On the Dempster-Shafer framework and new combination rules // Information Sciences, 1987, v.41, №2, p.93–137.
21. T. Inagaki. Interdependence between safety-control policy and multiple-sensor schemes via Dempster-Shafer theory // IEEE Transactions on Reliability, 1991, v.40, №2, p.182–188.
22. T. Denoeux. Conjunctive and disjunctive combination of belief functions induced by nondistinct bodies of evidence // Artificial Intelligence, 2008, v.172, № 2/3, p.234–264.
23. M.E. Cattaneo. Belief functions combination without the assumption of Independence of the information sources // Intern. J. of Approximate Reasoning, 2011, v.52, № 3, p.299–315.
24. D. Dubois, H. Prade. On the Combination of Evidence in Various Mathematical Frameworks // Reliability Data Collection and Analysis, vol. 3. Dordrecht: Springer Nature, 1992, p.213–241.
25. A. Martin, C. Osswald, J. Dezert. General combination rules for qualitative and quantitative beliefs // J. Adv. Inform. Fusion, 2008, v.3, № 2, p.67–89.
26. L. Zadeh. A simple view of the Dempster-Shafer Theory of Evidence and its implication for the rule of combination // The AI Magazine, 1986, v.7, № 2, p.85–90.
27. A. Bronevich, I. Rozenberg. The choice of generalized Dempster–Shafer rules for aggregating belief functions // International Journal of Approximate Reasoning, 2015, v.56, p.122–136.
28. A. Josang, R. Hankin. Interpretation and Fusion of Hyper Opinions in Subjective Logic // 15th International Conference on Information Fusion (FUSION 2012). Singapore, 2012.
29. M.A. Klopotek, S.T. Wierzchon. Empirical Models for the Dempster-Shafer-Theory // Belief Functions in Business Decisions Heidelberg: Springer Nature, 2002, p.62–112.
30. P. Wang. A Defect in Dempster-Shafer Theory // Uncertainty Proceedings 1994. San Francisco, CA: Morgan Kaufmann Publishers, 1994, p.560–566.
31. Ю.П. Пытьев. Методы математического моделирования измерительно-вычислительных систем. 3 изд., перераб. и дополн. М.: Физматлит, 2012, 428 с.;
32. C.R. Rao et al. Linear Models and Generalizations: Least Squares and Alternatives. 3rd ed. Berlin: Springer-Verlag, 2007, 572 p.
33. Total Least Squares and Errors-in-Variables Modeling: Analysis, Algorithms and Applications. 1st ed. / ed. by S. V. Huffel, P. Lemmerling. ? Dordrecht, the Netherlands: Springer Nature, 2002, 397 p.
34. А.Н. Тихонов, В.Я. Арсенин. Методы решения некорректных задач. 2-е изд. М.: Наука, 1979, 285 с.
35. А.Н. Тихонов и др. Численные методы решения некорректных задач. М.: Наука, 1990, 232 с.
36. H.W. Engl, M. Hanke, A. Neubauer. Regularization of Inverse Problems. 1st ed. Dordrecht, the Netherlands: Springer Nature, 1996. 321 p.
37. В.А. Морозов. Методы регуляризации неустойчивых задач. ? М. : Изд. МГУ, 1987, 239с.;
38. U. Amato, W. Hughes. Maximum entropy regularization of Fredholm integral equations of the first kind // Inverse Problems, 1991, v.7, № 6, p.793–808.
39. А.С. Леонов. Обобщение метода максимальной энтропии для решения некорректных задач // Сибирский математический журнал, 2000, т.41, № 4, с.863–872.
40. А.И. Чуличков, Б. Юань. О возможности оценивания значения функции в заданных точках ее области определения по измерениям конечного числа ее линейных функционалов // Вестник Московского университета. Серия 3. Физика. Астрономия, 2014, №3, с.15–19;
41. Ю.П. Пытьев. Математические методы интерпретации эксперимента. М.: Высшая школа, 1989, 352 с.;
42. Д.А. Балакин, Ю.П. Пытьев. Сравнительный анализ качества редукции для вероятностной и возможностной моделей измерения // Вестник Московского университета. Серия 3: Физика. Астрономия, 2017, № 2, с.3–14;
43. Д.А. Балакин, Ю.М. Нагорный, Ю.П. Пытьев. Эмпирическая верификация, восстанов-ление и коррекция субъективной модели // Бесконечномерный анализ, стохастика, математическое моделирование: новые задачи и методы. Проблемы математического и естественнонаучного образования. Сб. ст. Межд. конф. ? М.: РУДН, 2015, с.190–195.
44. Д.А. Балакин, Ю.П. Пытьев. Эмпирическая верификация, восстановление и коррекция субъективной модели исследуемого объекта в теории измерительно-вычислительных преобразователей // XIII Всероссийская научно-техническая конференция «Состояние и проблемы измерений». Сборник материалов. ? М.: МГТУ им. Н.Э. Баумана, 2015, с.42–45.
45. Д.А. Балакин, Ю.П. Пытьев. Субъективная интерпретация данных измерений, полученных при частично известной модели измерений // Инженерно-физические проблемы новой техники. Сборник материалов XII Всероссийского совещания-семинара. М.: МГТУ им. Н.Э. Баумана, 2016, с.45–48.
46. Ю.П. Пытьев. Математические методы субъективного моделирования в научных исследованиях. 1. Математические и эмпирические основы // Вестник Московского университета. Серия 3: Физика, астрономия, 2018, № 1, с.3–17;
47. Ю.П. Пытьев. Математические методы субъективного моделирования в научных исследованиях. 2. Приложения // Вестник Московского университета. Сер. 3: Физика, астрономия, 2018, № 2, с.3–26.
48. Д.А. Балакин. Эмпирическое восстановление математических моделей измерительного и оптимального вычислительного преобразователей // Вестник Московского университета. Сер. 3: Физика, астрономия, 2017, № 2, с.63–70;