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

Методы и модели восстановления структуры группового телеметрического сигнала

Диссертация: Методы и модели восстановления структуры группового телеметрического сигнала
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Существует определенный задел в литературе, представленный работами Балтрашевича В. Э., Васильева А. В., Кукушкина С. С. и опытно-конструкторскими работами, проводимыми в научно-исследовательском центре представления и контроля информации по космодрому Плесецк, однако, большинство из существующих решений находятся на этапе развития, когда большая часть действий выполняется непосредственно… Читать ещё >

Содержание

  • Глава 1. Анализ задачи восстановления структуры группового телеметрического сигнала
    • 1. 1. Понятие телеметрии
    • 1. 2. Телеметрические параметры и телеметрические сообщения
    • 1. 3. Групповой телеметрический сигнал. Анализ особенностей формирования
    • 1. 4. Обобщенный процесс анализа телеметрической информации
    • 1. 5. Анализ задачи восстановления структуры группового телеметрического сигнала
    • 1. 6. Анализ существующих решений
    • 1. 7. Выводы
  • Глава 2. Трехэтапная процедура восстановления структуры группового телеметрического сигнала. Модель формата кадра и графовая модель ГТС
    • 2. 1. Трехэтапная процедура восстановления структуры группового телеметрического сигнала
    • 2. 2. Модель формата кадра группового телеметрического сигнала
    • 2. 3. Символьное представление медленноменяющихся телеметрических параметров
    • 2. 4. Графовая модель группового телеметрического сигнала
    • 2. 5. Выводы
  • Глава 3. Методы восстановления структуры группового телеметрического сигнала
    • 3. 1. Метод экспресс-поиска структуры группового телеметрического сигнала
    • 3. 2. Метод последовательного восстановления структуры группового телеметрического сигнала
    • 3. 3. Метод комплексного поиска структуры группового телеметрического сигнала
    • 3. 4. Выводы
  • Глава 4. Экспериментальные исследования
    • 4. 1. Описание реализации комплекса программ восстановления структуры ГТС
    • 4. 2. Экспериментальные исследования на модельных данных
    • 4. 3. Экспериментальные исследования на реальных данных

Методы и модели восстановления структуры группового телеметрического сигнала (реферат, курсовая, диплом, контрольная)

Актуальность работы. Современный этап развития телеметрических систем характеризуется быстрым ростом объема передаваемой информации. В настоящее время для ракетно-космической техники (РКТ) количество передаваемых параметров исчисляется тысячами, а длины временных рядов, определяющих поведение параметров, превышают миллион отсчетов. Наряду с объемом передаваемой информации изменилась и сложность передаваемого потока телеметрии: с целью оптимального использования ограниченных по пропускной способности каналов связи стали применяться разнообразные схемы коммутации измерительной информации. В связи с этим возникает задача контроля и восстановления структуры передаваемых информационных потоков. В рамках этой задачи, как правило, предполагается, что структура анализируемого потока неизвестна, и ее необходимо восстановить.

В работе рассматривается ограниченный класс телеметрических потоков, которые обладают сложной циклической структурой и поступают с объектов РКТ. В ракетно-космической отрасли такой поток принято называть групповым телеметрическим сигналом (ГТС). Частичные знания о структуре каждого ГТС известны и регламентируются стандартом, который определяет общие правила формирования сигнала. Полная информация о структуре является для каждого объекта РКТ частной и выбирается в соответствии с целями и задачами испытаний и штатной эксплуатации.

Существует определенный задел в литературе, представленный работами Балтрашевича В. Э., Васильева А. В., Кукушкина С. С. и опытно-конструкторскими работами, проводимыми в научно-исследовательском центре представления и контроля информации по космодрому Плесецк, однако, большинство из существующих решений находятся на этапе развития, когда большая часть действий выполняется непосредственно экспертом. При этом практически не используется информация о ранее накопленных ГТС с известными структурами. Как следствие, восстановление структуры одного ГТС с неизвестной структурой от объекта РКТ в среднем требует не менее нескольких часов. Необходимо подчеркнуть, что это труд высококвалифицированных специалистов, нехватка которых является острой проблемой. Таким образом, является актуальной задача разработки методов и моделей восстановления структуры ГТС, которые позволят сократить время восстановления.

Цель и задачи исследования

 — разработка методов и моделей, обеспечивающих сокращение времени восстановления структуры ГТС с неизвестной структурой за счет повышения степени автоматизации восстановления и использования информации о ранее накопленных ГТС с известными структурами.

Для достижения поставленной цели были решены следующие задачи:

1) анализ существующих решений задачи восстановления структуры ГТС с неизвестной структурой и выработка путей преодоления их основных недостатков;

2) разработка трехэтапной процедуры восстановления структуры ГТС с неизвестной структурой;

3) разработка метода экспресс-поиска структуры ГТС с использованием информации о ранее накопленных ГТС с известными структурами;

4) разработка метода последовательного восстановления структуры ГТС с неизвестной структурой, базирующегося на анализе бинарного представления ГТС и позволяющего определить типы медленноменяющихся телеметрических параметров;

5) разработка графовой модели ГТС, учитывающей структуру ГТС и поведение входящих в его состав параметров, и метода комплексного поиска структуры ГТС, использующего данную модель;

6) программная реализации предлагаемой трехэтапной процедуры воестановления структуры ГТС.

Объектом исследования диссертационной работы является процесс восстановления структуры ГТС.

Предметом изучения являются методы и алгоритмы, позволяющие осуществить восстановление структуры ГТС, а также модели описания ГТС и его структуры.

Методы исследования. Теоретическая часть работы выполнена на основе численных методов математической статистики, машинного обучения, теории графов и алгоритмов на строках. В экспериментальной части работы применяются численные методы и методы имитационного моделирования. Для выполнения экспериментальной части создан и зарегистрирован в реестре программ для ЭВМ программный комплекс.

Научную новизну работы составляют следующие положения:

1) Трехэтапная процедура восстановления структуры ГТС с неизвестной структурой, включающая этап экспресс-анализа (применяется метод экспресс-поиска), этап полного анализа (метод последовательного восстановления) и этап уточнения (метод комплексного поиска).

2) Метод экспресс-поиска структуры ГТС с неизвестной структурой на базе аппроксимации распределения информационных слов ГТС. Метод позволяет для анализируемого ГТС при минимальном количестве априорной информации об его структуре определить набор потенциальных структур, представленных среди ранее накопленных ГТС с известными структурами.

3) Метод последовательного восстановления структуры ГТС с неизвестной структурой, позволяющий на основе анализа бинарного представления ГТС в автоматическом режиме восстановить его структуру и метод включает группу алгоритмов на основе корреляционного анализа и анализа характеристик изменения слов в кадре для построения модели формата кадра и алгоритм определения типов медленноменяющихся телеметрических параметров с использованием метрики неточного сравнения символьного представления временных рядов.

4) Графовая модель ГТС на базе атрибутированного графа отношений, учитывающая как структуру ГТС, так и поведение его составляющих параметров. Метод комплексного поиска структуры ГТС с неизвестной структурой на базе сравнения графовых моделей ГТС с использованием редакционного расстояния. Метод позволяет с целью уточнения структуры анализируемого ГТС определить наиболее схожие ГТС среди ранее накопленных с известными структурами.

Практическая значимость работы заключается в разработке алгоритмов и программ восстановления структуры ГТС, позволяющих сократить время, необходимое на восстановление структуры, в среднем в 4 раза.

Материалы диссертационной работы были использованы при выполнении опытно-конструкторской работы (ОКР), посвященной обработке измерительной информации РКТ и их оснащения (шифр «Модернизация»), и при выполнении ОКР, посвященной системе комплексного анализа результатов пусков РКТ (шифр «Математика-ПИК»), проводимых в ОАО «Научно-инженерный центр Санкт-Петербургского электротехнического университета» («НИЦ СПб ЭТУ»). Результаты работы внедрены в в/ч 85 487 (ОКР «Математика-ПИК») и в в/ч 13 991-П (ОКР «Модернизация»).

Работа поддержана программой в рамках конкурсов научных достижений аспирантов СПбГЭТУ «ЛЭТИ» в 2011 году.

Научные положения, выносимые на защиту:

1) трехэтапная процедура восстановления структуры ГТС;

2) метод экспресс-поиска структуры ГТС;

3) метод последовательного восстановления структуры ГТС, включающий набор алгоритмов построения модели формата кадра ГТС и алгоритм определения типов медленноменяющихся телеметрических параметров;

4) графовая модель ГТС и метод комплексного поиска структуры ГТС.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались со специалистами ОАО «НИЦ СПб ЭТУ», на кафедре математического обеспечения и применения ЭВМ СПбГЭТУ, а также на следующих конференциях:

— 14-я всероссийская конференция «Математические методы распознавания образов» (ММРО-14), Владимирская обл., г. Суздаль, 2009 г.

— двенадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2010), г. Тверь, 2010 г.

— XIV международная конференция по мягким вычислениям и измерениям (8СМ'2011), Санкт-Петербург, 2011 г.

— научные сессии Национального исследовательского ядерного университета (НИЯУ) «МИФИ», Москва, 2010, 2011 и 2012 гг.

— научно-технические конференции профессорско-преподавательского состава СПбГЭТУ, Санкт-Петербург, 2010, 2011 и 2012 гг.

Публикации. Материалы диссертации опубликованы в 11 печатных работах, из них 2 статьи в рецензируемых журналах, 1 статья в нерецензируемых журналах и 7 докладов в сборниках трудов конференций.

Разработанный автором комплекс анализа структур данных был зарегистрирован в реестре программ для ЭВМ (свидетельство № 2 011 616 384).

Структура и объем диссертации

Диссертация состоит из введения, 4 глав, заключения и библиографии. Общий объем диссертации 147 страниц, из них 134 страниц текста, включая 36 рисунков. Библиография включает 99 наименований на 13 страницах.

Заключение

.

В рамках работы были достигнуты следующие основные результаты:

1) Предложена трехэтапная процедура восстановления структуры ГТС, позволяющая для ускорения восстановления и уточнения структуры ГТС задействовать информацию о ранее накопленных групповых телеметрических сигналах с известной структурой.

При экспериментальных исследованиях на реальных данных треэтапная процедура позволила ускорить восстановление структуры ГТС в 4 раза, при этом для 93% от всех анализируемых ГТС были восстановлены правильные структуры.

2) Разработан метод экспресс-поиска структуры ГТС, который позволяет для анализируемого ГТС при минимальном количестве априорной информации об его структуре определить набор потенциальных структур, представленных среди ранее накопленных ГТС с известными структурами. В основе данного метода лежит тот факт, что в ракетно-космической отрасли структуры ГТС, полученные от одного и того же СТО, одинаковы или имеют минимальное различие. В качестве вектора характеристик ГТС используется вектор коэффициентов аппроксимации частотно-ранговой зависимости значений информационных слов, что позволяет минимизировать требования к наличию априорной информации о характеристиках ГТС. Потенциальный же недостаток метода связан с большим размером словаря, который в худшем случае составляет 2 т слов, где т — длина информационного слова в битах.

3) Разработан метод последовательного восстановления структуры группового телеметрического сигнала, позволяющий на основе анализа бинарного представления ГТС с неизвестной структурой в автоматическом режиме восстановить его структуру. В рамках метода предложена модель формата кадра, позволяющая в автоматизированном режиме провести декоммутацию ГТС на набор отдельных параметров. В ней формализуются понятия суби суперкоммутаций и отражается минимальный набор информации, который необходим для декоммутации ГТС на набор ТМП. Основные особенности формирования ГТС, которые отображены в модели формата кадра: а. ГТС — это объединение измерений параметров, получаемых от первичных датчиков. б. ГТС имеет сложную циклическую структуру, которая характеризуется длиной информационного слова (разрядность АЦП в датчиках), длина кадра (количество датчиков подключенных к главному коммутатору), структура коммутации датчиков (описание субкоммутаций и суперкоммутаций).

В соответствии с экспериментальными исследованиями метод последовательного восстановления структуры ГТС позволяет автоматизировать процесс восстановления формата кадра с точностью до 70% (при уровне шума менее 10% и общем количестве функциональных параметров более 50%). В рамках метода разработан алгоритм построения модели формата кадра, основанный на корреляционном анализе и и анализа характеристик изменения слов в кадре и состоящий из набора алгоритмов, направленных на последовательное определение составляющих модели. Предложен алгоритм определения типов ММП на базе символьного представления временных рядов, который за счет введения взвешенных операций редактирования позволяет уменьшить влияние несущественных отклонений в поведении параметров. Для проведенных экспериментов предлагаемый алгоритм осуществляет определение типов с точностью до 95%.

4) На базе атрибутированного графа отношений разработана графовая модель ГТС, позволяющая учитывать как структуру, так и поведение его составляющих параметров. Модель позволяет в наглядном виде представить структуру коммутации датчиков в СТО и семантические связи между параметрами.

Введение

графовой модели открывает возможность применить аппарат теории графов.

5) Разработан метод комплексного поиска, основанный на сравнении графовых моделей ГТС с использованием расстояния редактирования. Идея редакционного расстояния графов заключается в том, чтобы определить различие графов с помощью набора операций редактирования (изменений), которые необходимы для преобразования одного графа в другой. Метод позволяет увеличить точность восстановления структуры в среднем до 90%.

6) Разработан комплекс анализа структур данных, который реализует предлагаемую процедуру восстановления структуры ГТС. Данный комплекс лег в основу внедренных программных комплексов.

Дальнейшие пути развития работы представляются следующие:

1) разработка методов проверки применимости потенциальных структур ГТС для анализируемого сигнала за счет использования базы знаний и онтоло-гий.

2) расширение графовой модели введением ребер, отображающих функциональные связи между параметрами, что позволит перейти к описанию ГТС как законченного отображения структурной модели СТО с внутренними при-чино-следственными связями поведения параметров;

3) анализ применимости субоптимальных методов сравнения графов для реализации сравнения расширенной графовой модели ГТС за полиномиальное время;

4) анализ возможности использовать в качестве промежуточного представления при построении символьного представления кусочно-линейное представление, представление с использованием полиномов второй степени или сплайнов;

5) анализ возможности построения символьного представления ММП на базе предварительно выделяемых шаблонных элементов поведения параметров.

Показать весь текст

Список литературы

  1. ГОСТ 19 619–74. Оборудование радиотелеметрическое. Термины и определения. Введ. 2005−08−1. М.: Стандартинформ, 2005. С. 20.
  2. Телеметрия // Википедия. Свободная энциклопедия. URL: http: //ru. wikipedia. org/wiki/7"D07oA20/"D00/"B50/oD00/, BB0/"D00/"B50/oD07oBC0/" DO°/oB5°/oD 10/o82°/oDl0/o800/oDOyoB80/oD 1%8 °F (дата обращения: 24.03.2012).
  3. К. В., Пискорж В. В. Особенности построения бортовых телеметрических систем малых спутников // Технология и конструирование в электронной аппаратуре. 2003. Т. 1. С. 3−4.
  4. Т. Системы передачи и телеобработки данных / Под ред. Ю. М. Мартынов. М.: Радио и связь, 1994. С. 454.
  5. Телеметрия // Энциклопедия Кругосвет. Универсальная научно-популярная онлайн-энциклопедия. URL: http://www.krugosvet.ru/print/39 800 (дата обращения: 24.03.2012).
  6. А. И. Математические методы представления и обработки измерительной информации. М.: Юбилейный, 2006. С. 286.
  7. А. В. Современная телеметрия в теории и на практике. Учебный курс. СПб.: Наука и техника, 2007. С. 672.
  8. А. И. Основы цифровой обработки сигналов. Курс лекций: изд. 2-е исп. и пераб. СПб.: БХВ-Петербург, 2005. С. 768.
  9. В. Э., Витол А. Д., Жукова Н. А., Соколов И. С. Интеллектуальный подход к анализу структуры и семантики ГТС // Труды 12-й нац. конф. по искусственному интеллекту с междунар. участием (КИИ-2010). М.: Физматлит, 2010. С. 1−4.
  10. Document 106−11 Part I: Telemetry standards / Telemetry Group. New Mexico: White Sands Missile Range, 2011. URL: http://www.irigl06.org/docs/ 106−11/ (дата обращения: 24.03.2012).
  11. E. А., Дубовик A. E. Основы и методы многоканального измерения. СПб.: Синтег, 2007. С. 192.
  12. Н. И., Князева Т. Н. Адаптивное заполнение разрывов при обработке многомерных телеметрических данных // Нейрокомпьютеры: разработка, применение. 2007. Т. 1. С. 58−64.
  13. В. В., Жукова Н. А. Обработка телеметрической информации на основе алгоритмов сегментации и секвенциального анализа // Нейрокомпьютеры: разработка, применение. 2007. Т. 2. С. 37−41.
  14. В. Э., Онкин С. А. Инструментальные АОС на базе экспертной системы для анализа и обработки телеметрической информации с неизвестными характеристиками // Известия СПбГЭТУ «ЛЭТИ». 2010. С. 122−127.
  15. А. А., Поспелов Д. А. Когнитивная компьютерная графика. М.: Наука, 1991. С. 192.
  16. С. С., Клименко И. В., Сувернев А. А. Методы определения углового движения ракеты, использующей четырёхосную гиростабилизи-рованную платформу // Двойные технологии. 2007. Т. 3. С. 53−59.
  17. С. С., Матусов В. Г. Применение ранговой статистики к решению задачи идентификации телеметрической информации // Двойные технологии. 2008. Т. 3. С. 39−45.
  18. В., Жукова Н., Ильина И. Система идентификации телеметрических параметров на основе технологии WEB-сервисов // Вестник компьютерных и информационных технологий. 2008. Т. 3. С. 30−34.
  19. Н. А., Тристанов А. Б. Методы контроля состояния сложных динамических объектов // Вестник компьютерных и информационных технологий. 2007. Т. 9. С. 2−10.
  20. А. В., Геппенер В. В., Горбачева И. В. и др. Идентификация сложных динамических объектов с использованием шаблонов телеметрических параметров // Нейрокомпьютеры: разработка, применение. 2009. Т. 3. С. 44−49.
  21. А. Н., Фомин С. В. Элементы теории функций и функционального анализа: 7-е изд.). М.: Наука, 2004. С. 544.
  22. Н. А., Соколов И. С. Метод восстановления структуры группового телеметрического сигнала на основе графовой модели // Труды СПИИРАН. 2010. № 13. С. 45−66.
  23. А. А. Теория разностных схем. М.: Наука, 1977. С. 656.
  24. А. А., Гулин А. В. Устойчивость разностных схем. М.: Наука, 2005. С. 384.
  25. Andre-Jonsson H., Badal D. Z. Using Signature Files for Querying Time-Series Data // PKDD '97: Proceedings of the First European Symposium on Principles of Data Mining and Knowledge Discovery. Springer-Verlag, 1997. P. 211−220.
  26. Chan K., Fu A. W.-C. Efficient Time Series Matching by Wavelets // Proceedings of the 15th International Conference on Data Engineering, 23−26 March 1999, Sydney, Austrialia. IEEE Computer Society, 1999. P. 126−133.
  27. Faloutsos C., Ranganathan M., Manolopoulos Y. Fast subsequence matching in time-series databases // SIGMOD Ree. 1994. Vol. 23, no. 2. P. 419−429.
  28. Huang Y.-w., Yu P. S. Adaptive query processing for time-series data // In proceedings of the 5 th Int’l Conference on Knowledge Discovery and Data Mining. ACM Press, 1999. P. 282−286.
  29. Chakrabarti K., Keogh E., Mehrotra S., Pazzani M. Locally Adaptive Dimensionality Reduction for Indexing Large Time Series Databases // In proceedings of ACM SIGMOD Conference on Management of Data. 2002. P. 151−162.
  30. Yi B.-K., Faloutsos C. Fast Time Sequence Indexing for Arbitrary Lp Norms // In proceedings of the 26st Int’l Conference on Very Large Databases. Sep 10−14, Cairo, Egypt. 2000. P. 385−394.
  31. Kawahara Y., Sugiyama M. Change-Point Detection in Time-Series Data by Direct Density-Ratio Estimation. // In Proceedings of the SIAM International Conference on Data Mining, SDM 2009, April 30^-May 2. SIAM, 2009. P. 389−400.
  32. Turner R., Saatci Y., Rasmussen C. Adaptive Sequential Bayesian Change Point Detection // Temporal Segmentation Workshop at NIPS 2009, Whistler, ВС, Canada, December. 2009. P. 1−4.
  33. Д. Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология. Пер. с анг. И. В. Романовского. СПб.: Невский Диалект, БХВ-Петербург, 2003. С. 654.
  34. Lin J., Keogh Е., Lonardi S., Chiu В. A Symbolic Representation of Time Series with Implications for Streaming Algorithms // In proceedings of the 8th
  35. ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery. ACM Press, 2003. P. 2−11.
  36. Lin J., Keogh E., Wei L., Lonardi S. Experiencing SAX: a novel symbolic representation of time series // Data Mining and knowledge discovery. 2007. Vol. 15, no. 2. P. 107−144.
  37. Keogh E., Lin J., Fu A. Hot sax: efficiently finding the most unusual time series subsequence // Proceedings of the 5th IEEE Conference on Data Mining. 2005. P. 226−233.
  38. Keogh E., Chakrabarti K., Mehrotra S., Pazzani M. Locally Adaptive Dimensionality Reduction for Indexing Large Time Series Databases // In proceedings of ACM SIGMOD Conference on Management of Data. 2001. P. 151−162.
  39. Keogh E., Chakrabarti K., Pazzani M., Mehrotra S. Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases // Journal of Knowledge and Information Systems. 2001. Vol. 3. P. 263−286.
  40. Bunke H., Allermann G. Inexact graph matching for structural pattern recognition // Pattern Recognition Letters. 1983. no. 1. P. 245−253.
  41. Sanfeliu A., Fu K. A Distance Measure Between Attributed Relational Graphs for Pattern Recognition // IEEE Transactions on Systems, Man, and Cybernetics. 1983. Vol. 13. P. 353−362.
  42. Blake R. E. Partitioning Graph Matching with Constraints, // Pattern Recognition. 1994. Vol. 27, no. 3. P. 439−446.
  43. Blake R. E., Boros P. The extraction of structural features for use in computer vision // Proceedings of the Second Asian Conference on Computer Vision. 1995. P. 355−366.
  44. Tsai W., Fu K. Error-correcting isomorphisms of attributed relational graphs for pattern analysis // Systems, Man and Cybernetics. 1979. Vol. 9, no. 12. P. 757−768.
  45. Ф. Теория графов. M.: Едиториал УРСС, 2003. С. 296.
  46. Cheng J., Huang Т. Image recognition by matching relational structures // IEEE Computer Society Conference on Pattern Recognition and Image Processing. 1981. P. 542−547.
  47. В. Э., Жукова Н. А., Соколов И. С. Графовая модель группового телеметрического сигнала со сменой кадра // Известия СПбГЭТУ «ЛЭТИ». 2010. № 10. С. 12−17.
  48. G. A., Newman Е. В. Tests of a statistical explanation of the rank-frequency relation for words in written English // American Journal of Psychology. 1958. Vol. 71. P. 209−218.
  49. В. В. An informational theory of the statistical structure of languages // Communication Theory. 1953. P. 486−502.
  50. Li W. Random Texts Exhibit Zipf’s-Law-Like Word Frequency Distribution // IEEE Transactions on Information Theory. 1992. Vol. 38, no. 6. P. 1842−1845.
  51. E. А. Численные методы. M.: Физматлит, 2003. С. 248.
  52. Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985. С. 509.
  53. М. А., Браверман Э. М., Розоноэр JI. И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. С. 384.
  54. JI. А., Эренштейн P. X. Коллективные правила распознавания. М.: Энергия, 1981. С. 244.
  55. В. А., Калинина В. Н. Теория вероятностей и математическая статистика. / Под ред. А. А. Грицанов. М.: ИНФРА-М, 1997. С. 302.
  56. Ноаге С. A. R. Quicksort // The Computer Journal. 1962. Vol. 5, no. 1. P. 10−16. http://comjnl.oxfordjournals.Org/content/5/l/10. fiill. pdf+html.
  57. Д. Э. Искусство программирования. Том 3. Сортировка и поиск. М.: Вильяме, 2007. С. 824.
  58. В. И. Двоичные коды с исправлением выпадений, вставок и замещений символов // Доклады Академий Наук СССР. 1965. С. 845−848.
  59. Wagner R. A., Fischer М. J. The string-to-string correction problem // Journal of the ACM. 1974. Vol. 21, no. 1. P. 168−173.
  60. Corneil D. G., Gotlieb С. C. An Efficient Algorithm for Graph Isomorphism. // J. ACM. 1970. Vol. 17, no. 1. P. 51−64.
  61. Hart P. E., Nilsson N. J.,, Raphael B. A formal basis for the heuristic determination of minimum cost paths // IEEE Transactions on Systems, Science, and Cybernetics. 1968. Vol. SSC-4, no. 2. P. 100−107.
  62. Eshera M., Fu K. A graph distance measure for image analysis // IEEE Transactions on Systems, Man, and Cybernetics (Part B). 1984. Vol. 14, no. 3. P. 398−408.
  63. Eshera M., Fu K. A similarity measure between attributed relational graphs for image analysis // Proceedings of 7th International Conference on Pattern Recognition. Springer, 1984. P. 75−77.
  64. Riesen K., Neuhaus M., Bunke H. Bipartite graph matching for computing the edit distance of graphs // Proceedings of 6th International Workshop on Graph Based Representations in Pattern Recognition. LNCS 2726. Springer, 2007. P. 1−12.
  65. Riesen K., Bunke H. Approximate graph edit distance computation by means ofbipartite graph matching // Image and Vision Computing. 2009. Vol. 27, no. 7. P. 950−959.
  66. Burkard R. E., Dell’Amico M., Martello S. Assignment Problems. SIAM, 2009. P. 382. ISBN: 978−0-89 871−663−4.
  67. И. В. Дискретный анализ: Учебное пособие для студентов, специализирующихся по прикладной математике и информатике. 3-е изд., перераб. и доп. СПб.: Невский Диалект- БХВ Петербург, 2003. Р. 320.
  68. Kuhn H. W. The Hungarian Method for the assignment problem // Naval Research Logistics Quarterly. 1955. no. 2. P. 83−97.
  69. В. В., Горбачева И. В., Жукова Н. А., Соколов И. С. Идентификация телеметрических параметров с использованием нейронных сетей // Нейрокомпьютеры: разработка, применение. 2009. Т. 11. С. 39−44.
  70. Н. А., Соколов И. С. Метод определения типов медленно меняющихся телеметрических параметров с использованием редакционного расстояния и символьного представления // Сборник научных трудов НГТУ. 2012. № 1 (55). С. 25−32.
  71. Sanghera P. SCJP Exam for J2SE 5: A Concise and Comprehensive Study Guide for The Sun Certified Java Programmer Exam. Berkeley, USA: Apress, 2006. P. 424.
  72. Raposa R. F. SCJP: Sun Certified Programmer for Java Platform, SE6® Study Guide. Indianapolis, Indiana, USA: Wiley, 2009. P. 531.
  73. Java // Википедия. Свободная энциклопедия. URL: http: //ru. wikipedia. org/wiki/Java (дата обращения: 24.03.2012).
  74. И. С. Свидетельство о государственной регистрации программы для ЭВМ № 2 011 616 384 «Комплекс анализа структур данных (КАСД)», 2011.
Заполнить форму текущей работой

Пора сдавать?