Помощь в учёбе, очень быстро...
Работаем вместе до победы

Методы и модели оперативного контроля состояния сложных динамических объектов на основе измерительной информации с использованием алгоритмов интеллектуального анализа данных

Диссертация: Методы и модели оперативного контроля состояния сложных динамических объектов на основе измерительной информации с использованием алгоритмов интеллектуального анализа данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Внедрение результатов работы заключается в использовании разработанных моделей и методов при проведении в Научно-инженерном центре СПбГЭТУ (г. Санкт-Петербург) 4 НИР и 1 ОКР, в рамках которых разработано 3 макета и 1 программный комплекс. Созданные программные продукты успешно используются для решения практических задач. Работа поддержана персональным грантом ректора СПбГЭТУ среди студентов… Читать ещё >

Содержание

  • Глава 1. Анализ современного состояния, тенденций и перспектив развития систем оперативного контроля состояния сложных динамических объектов
    • 1. 1. Основные понятия и определения
    • 1. 2. Анализ современных подходов к построению систем оперативного контроля состояния сложных динамических объектов на основе анализа ТМИ
      • 1. 2. 1. Основные требования к современным системам ОКССДО на основе ТМИ
      • 1. 2. 2. Типовая структура систем ОКССДО на основе ТМИ
      • 1. 2. 3. Методы анализа ТМИ на этапе вторичной обработки
      • 1. 2. 4. Оценка современных систем ОКССДО на основе ТМИ
    • 1. 3. Интеллектуальные системы ОКССДО
      • 1. 3. 1. Понятие интеллектуальной системы ОКССДО
      • 1. 3. 2. Обобщенная структура интеллектуальной системы ОКССДО
    • 1. 4. Сравнительный анализ алгоритмов интеллектуального анализа, используемых для обработки данных
      • 1. 4. 1. Алгоритмы сегментации
      • 1. 4. 2. Алгоритмы кластерного анализа
      • 1. 4. 3. Алгоритмы классификации
      • 1. 4. 4. Алгоритмы ассоциации
      • 1. 4. 5. Алгоритмы секвенциального анализа
    • 1. 5. Цель и задачи исследования
    • 1. 6. Выводы по главе 1
  • Глава 2. Разработка обобщенного подхода, моделей и алгоритмов анализа ТМИ, используемых в интеллектуальных системах ОКССДО
    • 2. 1. Разработка обобщенного подхода к решению задачи ОКССДО на основе ТМИ
    • 2. 2. Разработка моделей сигналов
      • 2. 2. 1. Типы используемых моделей
      • 2. 2. 2. Структурная модель сигнала нулевого уровня
      • 2. 2. 3. Структурная модель сигнала первого уровня
      • 2. 2. 4. Структурная модель сигнала второго уровня
      • 2. 2. 5. Структурная модель сигнала третьего уровня
    • 2. 3. Разработка методов выделения сегментов в ТМ сигналах
      • 2. 3. 1. Постановка задачи сегментации
      • 2. 3. 2. Особенности ТМ сигналов
      • 2. 3. 3. Обобщенная схема построения модели первого уровня
      • 2. 3. 4. Метод сегментации ММС
      • 2. 3. 5. Метод сегментации БМС
      • 2. 3. 6. Метод улучшения качества сегментации БМС на основе алгоритмов совместной сегментации коррелированных сигналов
    • 2. 4. Разработка алгоритмов кластерного анализа для формирования классов состояний БМС
      • 2. 4. 1. Постановка задачи кластеризации
      • 2. 4. 2. Алгоритм кластерного анализа для ТМ сигналов
      • 2. 4. 3. Определение принадлежности к сформированным классам сегментов контролируемых сигналов
    • 2. 5. Разработка алгоритмов секвенциального анализа для обработки ТМ сигналов
      • 2. 5. 1. Постановка задачи секвенциального анализа
      • 2. 5. 2. Алгоритм построения шаблонов ТМ сигналов
      • 2. 5. 3. Алгоритм выявления аномальных и преданомальных ситуаций в новых данных на основе сфолрмированных шаблонов
    • 2. 6. Выводы по главе 2
  • Глава 3. Разработка алгоритмов, ориентированных на использование в интеллектуальных системах ОКССДО
    • 3. 1. Разработка метода сокращения размерности набора анализируемых признаков
      • 3. 1. 1. Постановка задачи сокращения размерности набора анализируемых признаков
      • 3. 1. 2. Разработка алгоритмов ассоциации для сокращения набора анализируемых признаков
        • 3. 1. 2. 2. Схема применения алгоритмов ассоциации при обработке ТМИ
        • 3. 1. 2. 3. Формирование компактных групп объектов на основе алгоритмов кластерного анализа
        • 3. 1. 2. 4. Модификация алгоритма Aprior
        • 3. 1. 2. 5. Модификация алгоритма PredictiveAprior
        • 3. 1. 2. 6. Особенности применения алгоритмов ассоциации при обработке ТМИ
    • 3. 2. Разработка метода визуализации телеметрических параметров с использованием решеток понятий
      • 3. 2. 1. Постановка задачи визуализации
      • 3. 2. 2. Метод анализа формальных понятий
      • 3. 2. 3. Вычислительная модель решетки понятий
      • 3. 2. 4. Метод упрощения вычислительной модели решетки понятий
      • 3. 2. 5. Дополнение вычислительной модели решетки понятий
      • 3. 2. 6. Пример анализа параметров СДО на основе дополненной модели
    • 3. 3. Выводы по главе 3
  • Глава 4. Проектирование и программная реализация систем ОКССДО
    • 4. 1. Обобщенная модель функционирования интеллектуальных систем ОКССДО
    • 4. 2. Варианты организации хранения и использования данных и знаний в системах ОКССДО
      • 4. 2. 1. Принципы построения систем ОКССДО на основе баз данных
      • 4. 2. 2. Принципы построения систем ОКССДО на базе экспертных систем
      • 4. 2. 3. Принципы построения систем ОКССДО с использованием онтологического подхода
      • 4. 4. 2. Оценка вариантов организации хранения и использования данных и знаний в системах ОКССДО
    • 4. 3. Архитектура системы ОКССДО на основе онтологического подхода
    • 4. 4. Реализация прототипного варианта системы ОКССДО
      • 4. 4. 1. Описание основных пользовательских интерфейсов прототипного варианта системы
      • 4. 4. 2. Экспериментальные исследования на реальных сигналах
    • 4. 5. Выводы по главе 4

Методы и модели оперативного контроля состояния сложных динамических объектов на основе измерительной информации с использованием алгоритмов интеллектуального анализа данных (реферат, курсовая, диплом, контрольная)

Актуальность темы

Современный этап развития техники и технологий характеризуется быстрым ростом сложности создаваемых технических систем. Такие системы как ракетно-космические комплексы, сложные производственные системы содержат многие тысячи датчиков, с которых поступает огромный объем информации. Информация должна обрабатываться в реальном или близком к реальному масштабу времени. Для решения этой задачи в течение многих лет успешно используются системы сбора и обработки телеметрической информации (ТМИ), которые позволяют достаточно эффективно решать задачи, связанные со сбором, первичной обработкой и накоплением информации, поступающей от сложных динамических объектов (СДО). Обычно собранная информация накапливается в базах данных (БД). Для ее обработки могут использоваться средства OLAP (online analytical processing), экспертные системы.

Типовой задачей, решаемой системами сбора и обработки ТМИ, является задача контроля состояния СДО, в частности, автоматическое выявление аномальных и преданомальных ситуаций, возникающих в процессе функционирования объектов. В настоящее время уже создано и используется достаточно много систем такого типа.

К сожалению, существующие системы обладают рядом недостатков, такими, как высокая стоимость разработки и эксплуатации и относительно низкая эффективность функционирования. Это обусловлено тем, что, с одной стороны, каждая из создаваемых систем является, по существу, уникальной, а, с другой стороны, все более или менее сложные системы предполагают активное участие экспертов в процессе обработки и анализа ТМИ. Таким образом, важными задачами являются задачи уменьшения стоимости и повышения эффективности систем контроля состояния СДО.

Действенным средством решения проблемы повышения эффективности функционирования систем контроля состояния СДО является переход от систем обработки данных к системам обработки знаний. На сегодняшний день это одно из магистральных направлений развития информационных технологий, в рамках которого уже созданы достаточно эффективные средства работы со знаниями и инструментальные средства, необходимые для построения прикладных систем. В первую очередь, это касается таких технологий, как data mining и семантический веб. Использование интеллектуальных технологий, ориентированных на работу со знаниями, позволяет решать следующие задачи:

— автоматизация процесса обработки всего комплекса ТМИ;

— упрощение процесса настройки системы на конкретный объект контроля посредством занесения в базу знаний (онтологию) информации об объекте.

Для использования преимуществ, которые дает переход от работы с данными к работе со знаниями, необходимо решить ряд задач, связанных с разработкой процедур извлечения, хранения и использования знаний из накопленной в БД ТМИ, в частности, необходимо разработать онтологию для работы с ТМИ.

Целью диссертационной работы является разработка методов интеллектуальной обработки измерительной информации, разработка основанного на работе со знаниями комплексного подхода к автоматическому выявлению аномальных и преданомальных ситуаций, возникающих в процессе функционирования СДО.

В соответствии с указанной целью в работе сформулированы и решены следующие задачи:

1. Анализ современных методов контроля состояния СДО, оценка применимости методов интеллектуального анализа данных для контроля состояния СДО, классификация методов интеллектуального анализа.

2. Разработка принципов построения систем контроля состояния СДО на основе методов интеллектуального анализа, включая разработку модели сигналов и базовых алгоритмов анализа эталонных и поступающих сигналов, описание методов принятия решения о наличии аномальной ситуации на основе результатов сопоставления шаблонов сигналов.

3. Разработка алгоритмов, ориентированных на использование в интеллектуальных системах контроля состояния СДО, включая разработку метода сокращения числа анализируемых параметров (сокращение размерности признакового пространства) и разработку метода визуализации состояния СДО.

4. Исследование вопросов проектирования и программной реализации систем контроля состояния СДО, включая выделение типовых архитектурных решений систем и описание условий их применения.

Предмет и методы исследования. Предметом исследования являются системы контроля состояния СДО. При решении поставленных задач использовался аппарат математической статистики, теория цифровой обработки сигналов, теория искусственного интеллекта.

Научную новизну работы составляют следующие положения:

1. Подход к анализу ТМИ, позволяющий автоматизировать процесс анализа за счет перехода от обработки данных к обработке знаний. В соответствии с подходом выделяется пять основных этапов: предварительная обработка, сегментация, кластерный анализ, секвенциальный анализ, визуализация результатов.

2. Многоуровневая модель представления телеметрических сигналов, соответствующая различным этапам анализа ТМИ, алгоритмы построения моделей различных уровней. Использование предлагаемой модели позволяет использовать все множество разработанных средств работы со знаниями.

3. Метод сокращения размерности анализируемых признаков и их ранжирование.

4. Метод визуализации зависимостей телеметрических параметров, основанный на построении решетки понятий.

Научные положения, выносимые на защиту:

1. Подход к анализу ТМИ, в соответствии с которым выделяется пять основных этапов: предварительная обработка, сегментация, кластерный анализ, секвенциальный анализ, визуализация результатов.

2. Многоуровневая модель представления телеметрических сигналов и методы формирования описания сигналов в соответствии с предлагаемой моделью. К методам формирования описания модели первого уровня относятся: модификация метода сегментации медленно меняющихся телеметрических параметров (ММП), метод сегментации быстро меняющихся телеметрических параметров (БМП). К методам формирования описания модели второго уровня относится модификация метода секвенциального анализа.

3. Метод формирования набора значимых признаков из множества поступающих признаков и способ ранжирования значимых признаков.

4. Метод визуализации зависимостей телеметрических параметров, основанный на построении решеток понятий.

Практическая значимость работы заключается в том, что предложен ряд моделей и методов, которые могут быть использованы при создании реальных систем контроля состояния СДО, включая метод формирования набора значимых признаков из множества поступающих признаков, метод ранжирования значимых признаков и метод визуализации зависимостей телеметрических параметров, основанные на построении решетки понятий.

Достоверность результатов исследования подтверждается корректным использованием математического аппарата, результатами экспериментальных исследований на программных моделях и результатами испытаний реальных систем, при создании которых использовались предложенные модели и методы.

Внедрение результатов работы заключается в использовании разработанных моделей и методов при проведении в Научно-инженерном центре СПбГЭТУ (г. Санкт-Петербург) 4 НИР и 1 ОКР, в рамках которых разработано 3 макета и 1 программный комплекс. Созданные программные продукты успешно используются для решения практических задач. Работа поддержана персональным грантом ректора СПбГЭТУ среди студентов и аспирантов за 2005 г., персональным грантом фонда содействия развитию малых форм предприятий в научно-технической сфере по программе УМНИК на выполнение НИОКР по теме «Разработка системы контроля состояния сложных динамических объектов» (№ У-2007;3/3−1 «Объект», 2007) за 2007 г.

Апробация результатов исследования. Основные положения и результаты работы докладывались и обсуждались на следующих конференциях:

1. Двенадцатая международная конференция «Математика. Компьютер. Образование», г. Пущино, 17−22 янв. 2005 г.

2. Научная сессия МИФИ-2005, М., 24−28 янв. 2005 г.

3. Технологии Microsoft в теории и практике программирования, СПб., 1−2 марта 2005 г.

4. Научная сессия МИФИ-2006, М., 23−27 янв. 2006 г.

5. Тринадцатая международная конференция «Математика. Компьютер. Образование», г. Дубна, 23 — 28 янв. 2006 г.

6. Четвертая региональная конференция по научному программному обеспечению «Практика применения научного программного обеспечения в образовании и научных исследованиях», СПб., 2−3 февр. 2006 г.

7. 61-я научно-техническая конференция, посвященная дню радио, СПб., 29−31 марта 2006 г.

8. Международная конференция по мягким вычислениям и измерениям, СПб., 27−29 июня 2006 г.

9. Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006, г. Обнинск, 25−28 сент. 2006 г.

10. Научная сессия МИФИ-2007, М., 22−26 янв. 2007 г.

11. Технологии Microsoft в теории и практике программирования, СПб., 13−14 марта 2007 г.

12. Девятая международная научно-техническая конференция и выставка «Цифровая обработка сигналов и ее применение», М., 28−30 марта 2007 г.

13. Международная конференция по мягким вычислениям и измерениям, СПб., 25−28 июня 2007 г.

Публикации. По теме диссертации опубликованы 19 научных работ, включая 6 статей (1 статья опубликована в изданиях, определенных ВАК) и 13 работ в материалах международных, национальных и региональных конференций.

4.5. Выводы по главе 4.

Ниже перечислены основные результаты, полученные в главе 4.

1. Показана обобщенная модель функционирования интеллектуальных систем ОКССДО и основные пути реализации модели, приведены основные достоинства и недостатки каждой из возможных реализаций.

2. Описаны принципы построения систем ОКССДО с использованием базы данных. В рамках системы все данные и знания о контролируемом объекте хранятся в таблицах базы дынных.

3. Описаны принципы построения систем ОКССДО с использованием экспертных систем. Показаны пути наполнения базы знаний знаниями в ручном, автоматическом и полуавтоматическом режимах.

4. Описаны принципы построения систем ОКССДО с использованием онтологического подхода, предложена и описана модель знаний СДО. Приведено описание системы ОКССДО, основанной на применении онтологического подхода.

5. Разработан прототип системы ОКССДО на основе онтологического подхода, с использованием разработанного прототипа проведены эксперименты на реальных данных.

ЗАКЛЮЧЕНИЕ

.

Ниже перечислены основные результаты работы.

1. Выполнен анализ современных подходов к обработке ТМИ и принципов построения систем контроля состояния СДО. Установлено, что современные системы работают в полуавтоматическом режиме и жестко привязаны к объекту контроля. Выполнен анализ существующих групп методов интеллектуальной обработки данных, показано, что основной интерес представляют методы сегментации, кластерного анализа, секвенциального анализа. Показано, что основные пути совершенствования систем контроля состояния СДО связаны с автоматизацией процесса обработки всего комплекса ТМИ, уменьшением трудоемкости работы эксперта в процессе принятия решений и упрощением процесса настройки системы на конкретный объект управления.

2. Предложен обобщенный подход к построению систем контроля состояния СДО, в соответствии с которым выделяется четыре основных этапа: предварительная обработка, сегментация, кластерный анализ, секвенциальный анализ. Подход основан на работе со знаниями и позволяет автоматизировать процесс анализа ТМИ. Рассмотрен процесс обработки ТМИ как в статическом, так и в динамическом режимах.

Предложена многоуровневая модель сигнала, которая позволяет описать сигнал на различных уровнях представления. Каждый уровень представления соответствует одному из этапов обработки. Предложены методы формирования описания сигнала в соответствии с предлагаемой моделью, в частности, предложены модификация алгоритма сегментации медленно меняющихся параметров, оригинальный алгоритм сегментации быстро меняющихся параметров, модификация алгоритма секвенциального анализа. Применение предлагаемого подхода позволяет автоматизировать процесс обработки, сократить время обработки до 10 раз, а также открывает возможность использования методов и инструментов работы со знаниями для обработки ТМИ.

3.Предложен метод формирования набора значимых признаков из множества поступающих признаков и способ ранжирования значимых признаков, основанный на использовании алгоритмов кластерного анализа и методов построения ассоциативных правил. Применение данного метода позволяет в автоматическом режиме проанализировать набор признаков и выявить те признаки, которые позволяют наиболее точно определить состояние контролируемого объекта, установить порядок их анализа. Предлагаемый метод позволяет сократить число анализируемых параметров при проведении оперативного анализа до 2 раз.

4. Предложен метод визуализации зависимостей телеметрических параметров, основанный на построении решеток понятий. Описана вычислительная модель и соответствующая ей решетка понятий применительно к решению задачи визуализации зависимостей телеметрических параметров, приведены методы упрощения модели. Метод позволяет наглядно представить зависимости в поведении параметров по результатам нескольких экспериментов.

5. Предложена обобщенная модель функционирования интеллектуальной системы контроля состояния СДО, выполнен анализ типовых подходов к программной реализации системы контроля состояния СДО. Выделяются три основных типа программных архитектур: архитектуры, основанные на использовании БД, архитектуры, основанные на использовании экспертных систем, и архитектуры, основанные на использовании онтологий. Выполнен сравнительный анализ различных подходов к реализации. Определены основные достоинства и недостатки каждой из возможных реализаций.

Показать весь текст

Список литературы

  1. , С. А. Классификация многомерных наблюдений Текст. / С. А. Айвазян, 3. И. Бежаева, О. В. Староверов — М.: Статистика, 1974. 240 с.
  2. , Э.С. Цифровая обработка сигналов: практический подход Текст. / Э. С. Айфичер, Б.У. Джервис- 2-е изд.: Пер. с англ. М.: Вильяме, 2004.-992 с.
  3. В.Э. Интеллектуальная обработка телеметрической информации / В. Э. Балтрашевич, Н. А. Жукова // Технологии Microsoft в теории и практике программирования: Сб. науч. трудов- СПб., 1−2 марта 2005 г. СПб., 2005. -С.165−166.
  4. , В. И. Телеметрия Текст. / В. И. Белицкий, В. И. Зверев, В. М. Морозов. Л.: МО СССР, 1984. -465 с.
  5. , В.Н. Теория распознавания образов. Статистические проблемы обучения Текст. / В. Н. Вапник, А. Я. Червоненкинс. — М.: Наука, 1974. 415 с.
  6. В. В. Об одном подходе к задачам классификации / В. В. Геппенер, Г. М. Емельянов // Известия ЛЭТИ (Известия Ленинградского электротехнического института). СПб., 1969, — № 85. — С. 29−33.
  7. В.В. Система интеллектуальной обработки телеметрической информации / В. В. Геппенер, Д. В. Тихонов, Н. А. Жукова // Девятая междунар. конф. по мягким вычислениям и измерениям: Сб. докл.- СПб., 27−29 июня, 2006 г. СПб., 2006. — С.151−155.
  8. , А. Л. Методы распознавания Текст.: учеб. пособие для вузов / А. Л. Горелик, В. А. Скрипкин. Изд. 3-е, перераб. и доп. — М.: Высш. шк., 1989. -232 с.
  9. , Р. Распознавания образов и анализ сцен Текст. / Р. Дуда, П. Харт — М.: Мир, 1978. 510 с.
  10. Н.А. Система контроля состояния сложных динамических объектов / Н. А. Жукова // Десятая международная конференция по мягким вычислениям и измерениям: Сб. докл.- СПб., 25−27 июнь, 2007 г. СПб., 2007.- Т. 2. — С.80−83.
  11. , Р.И. Основы радиотелеметрии Текст.: учеб. пособие. В 2 ч. Ч. 1. / Р. И. Зверев, И. В. Шитов. Л.: МО СССР, 1978. — 0000 с.
  12. С. Алгоритмы построения множества всех понятий формального контекста и его диаграммы Хассе / С. Кузнецов, С. Объедков // Известия Академии наук. Сер. Теория и системы управления. 2001. — Вып. 1. — С. 120- 129.
  13. С.О. Интерпретация на графах и сложностные характеристики задач поиска закономерностей определенного вида Текст. / С. О. Кузнецов // НТИ, Сер. 2, 1889-С. 23−28.
  14. Лольер, Ж.-Л. Системы искусственного интеллекта Текст. / Ж.-Л. Лольер: пер. сфр.-М.:Мир, 1991.-586 с.
  15. , Д.Ф. Искусственный интеллект Текст. / Д. Ф. Люгер: пер. с англ. -М.: Вильяме, 2003 863 с.
  16. , С. Вейвлеты в цифровой обработке сигналов Текст. / С. Малла. -М.: Мир, 2005.-671 с.
  17. , И.Д. Кластерный анализ Текст. / И. Д. Мандель. М.: Финансы и статистика, 1988. — 176 с.
  18. Марпл.-мл., C.JI. Цифровой спектральный анализ и его приложения Текст. / C. J1. Марпл.-мл.: пер. с англ. М.: Мир, 1990. — 547 с.
  19. Методы и модели интеллектуальнго анализа сигналов геофизических полей. / В. В. Геппенер, Н. А. Жукова, А. Б. Тристанов, А. В. Экало // Нейрокомпьютеры: разработка и применение М.: Радиотехника, 2007. — Вып. 6. — С. 49−54.
  20. Методы кластеризации в обработке геофизических данных / В. В. Геппенер, Н. А. Жукова, А. Б. Тристанов, П. П. Фирстов // Десятая междунар. конф. по мягким вычислениям и измерениям: Сб. докл.- СПб., 25−27 июнь, 2007 г. СПб., 2007.- Т. 2. -С.186−188.
  21. , А.В. Современная телеметрия в теории и на практике. Уч. курс Текст. / А. В. Назаров, Г. И. Козырев, И. В. Шитов и др. СПб.: Наука и техника, 2007. — 672 с.
  22. , С. Искусственный интеллект. Современный подход Текст. / С. Рассел, П. Норвиг. М.: Вильяме, 2006.
  23. , Р.Т. Телеметрия Текст. / Р. Т. Сафарав, Н. Н. Буга, Р. И. Зверев, И. В. Шитов. М.: Мин. обороны СССР, 1983.
  24. Agrawal, R. Fast algorithms for mining association rules in large databases Текст. / R. Agrawal, R. Srikant // Proceedings of the 20th International Conference on Very Large Databases. San Francisco: Morgan Kaufmann Publishers, 1994. — P. 487199. [42]
  25. Allen, J.F. Maintaining knowledge about temporal intervals Текст. / J.F. Allen // Communications of the ACM 26, 11, November 1983. 1983. — P. 823−843. [43] [44] [45]
  26. Basseville, M. Detection of Abrupt Changes: Theory and Application Текст. / M. Basseville, I. Nikiforov. Prentice-Hall, NJ, US, 2005. — P. 447
  27. Birkhoff, G.D. Lattice Theory Текст. / Birkhoff G.D. Amer. Math. Soc., 1979.49.
  28. Bramer, M. Principles of Data Mining Текст. / Bramer M. Springer, 2007 [50]
  29. D., Guha R. «RDF Vocabulary Description Language 1.0: RDF Schema.» W3C Working Draft. April 30, 2002. (http://www.w3.org/TR/rdf-schema/.)
  30. Carpineto, C. A lattice conceptual clustering system and its application to browsing retrieval / C. Carpineto, G. Romano //Machine Learning. -1996. № 24, pp. 95 122.
  31. Carroll J., Roo J. «Web Ontology Language (OWL) Test Cases.» W3C Working Draft. October 24, 2002. (http://ww.w3.org/TR/2002/WD-owl-test-20 021 024/., http://www.w3.org/2001/sw/web0nt/ for more recent versions.).
  32. Casey, M. Semantic Web Methodologies for Spatial Decision Support. Текст. / M. Casey, M. Austin. University of Maryland, Institute for Systems Research and Department of Civil and Environmental Engineering. November, 2001.
  33. Chaudri, V. Open Knowledge Base Connectivity Specification. Текст. / V. Chaudri, A. Farquhar, R. Fikes, P. Karp, J. Rice. Specification V. 2.0.31. SRI and Knowledge Systems Laboratory. Stanford University, 1998.
  34. Chengqi, Z. Association rule mining: models and algorithms. Текст. / Z. Chengqi, Z. Shichao. Springer, 2002.
  35. Daconta, M. The Semantic Web: A Guide to the Future of XML, Web Services, and Knowledge Management Текст. / M. Daconta, L. Obrst, K. Smith.- Indiana: Wiley, 2003.
  36. Data mining and knowledge discovery approaches based on rule induction techniques Текст. / Edited by Triantaphyllou E., Felici G. Springer, 2007.
  37. Data mining and knowledge discovery handbook Текст. / Edited by Maimon O., Rokach L. Springer, 2005.
  38. Ganter, B. Formal Concept Analysis: Mathematical Foundations Текст. /В. Ganter, R. Wille. Heidelberg: Springer, 1999.
  39. Ganter, B. Formalizing hypotheses with concepts / B. Ganter, S. Kuznetsov // Proceedings, 8th International Conference on Conceptual Structures, ICCS 2000, Lecture Notes in Artificial Intelligence, 1867. Darmstadt, Germany, 2000 — P. 342−356.
  40. Guarino, N. Ontologies and Knowledge Bases: Towards a Terminological Clarification Текст. / N. Guarino, P. Giaretta // In Towards Very Large Knowledge Bases: Knowledge Building and Knowledge Sharing, edited by N. Mars. Amsterdam: IOS Press, P. 25−32.
  41. Halgamuge, S., Wang L. Classification and Clustering for Knowledge Discovery Текст. / S. Halgamuge, L. Wang/ Springer, Germany, 2005.
  42. Han, J. Data Mining: concepts and techniques Текст. / J. Han, M. Kamber. -Morgan Kaufman Publishers, 2005.
  43. Holschneider, M. Wavelets, Time-Frequency Methods and Phase Space Текст. / M. Holschneider, R. Kronland-Martinet, J. Morlet, and P. Tchamitchian. Springer, Berlin, 1989.
  44. Keogh, E. An Online Algorithm for Segmenting Time Series / E. Keogh, S. Chu, D. Hart, M. Pazzani // In Proceedings of IEEE International Conference on Data Mining -2001.-P 289−296.
  45. Larsen, R. An Introduction to Mathematical Statistics and Its Applications / R. Larsen, M. Marx. Prentice Hall, Englewood, Cliffs, N.J. 2nd Edition. 1986.
  46. Lindeberg T. Scale-Space Theory in Computer Vision ./ T. Lindeberg // Int. Series in Engineering and Computer Science, Robotics: Vision, Manipulation and Sensors. Kluwer Academic Publishers. Dordrecht, 1994.
  47. Morrison, D. Multivariate Statistical Methods Текст. / D. Morrison. — New York: McGraw-Hill, 1990.
  48. Moxon, B. Defining Data Mining Текст. / В. Moxon. DBMS Data Warehouse Supplement, 1996.
  49. Murthy S. Automatic construction of decision trees from data: A Multi-disciplinary survey Текст. / S. Murthy // Data Mining and Knowledge Discovery, 1998. -1998. Vol. 2, № 4. P. 345−389.
  50. Pensky, M. Bayesian decision theoretic scale-adaptive estimation of log-spectral density / M. Pensky, B. Vidakovic // Georgia Inst Techn. Technical Report No 1. 2003. (http://www.isye.gatech. edu/ -brani/isyestat/).
  51. Povinelli, R. Time Series Data Mining: Identifying temporal Patterns for Characterization and Prediction of Time Series Events Текст. / R. Povinelli Milwaukee, Wsconsin, December, 1999.
  52. Ross, Q. C4.5: Programs for Machine learning Текст. / Q. Ross New York: Morgan Kaufmann Publishers, 1993.
  53. Theodoridis, S. Koutroumbas K. Pattern Recognition Текст. / S. Theodoridis.191
  54. Academic Press, New York, 1999.
  55. Vapnik, V. Statistical learning theoryTeKCT. / V. Vapnik. Wiley, 1998.
  56. Visual Data Mining: Techniques and tools for data visualization and mining Текст. Wiley, 2002.
  57. Wille, R. Restructuring lattice theory: an approach based on hierarchies of concepts / R. Wille // In I. Rival (ed) Ordered Sets. Dordrecht-Boston: Reidel, 1982. — pp. 445—470.
Заполнить форму текущей работой

Пора сдавать?