Исследование моделей и методов приобретения топографических знаний на основе алгоритмов распознавания частично упорядоченных объектов тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Гришина, Елена Алексеевна

• Гришина, Елена Алексеевна
• кандидат технических наук
• 2000

Оглавление диссертации кандидат технических наук Гришина, Елена Алексеевна

ВВЕДЕНИЕ

ГЛАВА 1. Проблема приобретения и использования топографических знаний на основе цифровых карт

1.1. Топографические знания

1.2. Анализ методов извлечения знаний из баз данных

1.3. Анализ методов распознавания объектов

1.4. Анализ применимости методов сжатия данных для приобретения топографических знаний

Выводы

ГЛАВА 2. Алгоритмы распознавания частично упорядоченных объектов

2.1. Функциональный подход к проблеме сжатия данных

2.2. Сокращение просмотра результирующего списка в алгоритмах сжатия В и распознавания Яв частично упорядоченных объектов

Выводы

ГЛАВА 3. Система приобретения топографических знаний

3.1. Методы приобретения топографических знаний на основе цифровых карт

3.2. Общее описание системы приобретения топографических знаний

3.3. Формирование промежуточных списков на основе цифровых карт

3.4. Выделение списков, соответствующих оцениваемому участку местности, из промежуточных списков

3.5. Формирование сжатого списка

3.6. Нахождение минимального сжатого списка и построение сжатого списка по направлению линии связи.

3.7. Приобретение топографических знаний.

3.8. Временные оценки работы алгоритмов распознавания частично упорядоченных объектов

Выводы

Введение диссертации (часть автореферата) на тему «Исследование моделей и методов приобретения топографических знаний на основе алгоритмов распознавания частично упорядоченных объектов»

В последнее время в технологию создания геоинформационных систем (ГИС) стали внедряться системы, основанные на знаниях. Особенно важны интеллектуальные ГИС для решения задач управления систем быстрого реагирования, таких как скорая помощь, городские милицейские и пожарные силы, ликвидация последствий чрезвычайных ситуаций и т. п. [64, 18]. В таких системах важнейшей составляющей базы знаний являются топографические знания о свойствах и пространственно-логических отношениях объектов местности.

Для интеллектуальных геоинформационных систем оперативного планирования радиорелейной и проводной связи, выбора трасс мобильных средств при аварийно-восстановительных работах в условиях чрезвычайных ситуаций необходимо оценивать тип участка местности [64, 18]. Например, при решении задачи оценки и выбора трассы радиорелейной линии связи необходимо выбрать такую трассу, которая позволяет при минимальном количестве мобильных промежуточных радиорелейных станций осуществить устойчивую связь на большие расстояния [3, 57]. Причем увеличение дальности связи может быть достигнуто не только увеличением мощности, но и правильным выбором мест расположения мобильных промежуточных радиорелейных станций. Поэтому необходимо оценивать местность с точки зрения пригодности того или иного участка для размещения мобильной промежуточной радиорелейной станции. Эти оценки, как правило, имеют качественный характер, например, местность может быть сильно, средне или слабо пересеченной или непересеченной [60, 72, 75].

В данной работе ставится задача приобретения топографических знаний - оценок характера участка местности.

Источником приобретения топографических знаний являются цифровые карты, которые представляют собой цифровую модель земной поверхности. Существуют два способа хранения цифровых карт: регулярно-ячеистый (растровый) и векторный. При регулярно-ячеистом представлении (при растровом способе) пространственно распределенная характеристика географического объекта представляется как матрица чисел, элементы которой соответствуют ячейкам регулярной сети (пикселам), а при векторном - сохраняются только существенные точки пространственно распределенной характеристики [20, 23]. Картографические объекты, представленные и в векторном, и в регулярно-ячеистом (растровом) представлении, разделяются по видам на тематические слои (рельеф суши, гидрография, населённые пункты и т.п.). В векторном виде один объект топографии представляется одной записью, в которой находится метрика объекта и его идентификатор (возможно, и семантика). Например, в семантике объекта-горизонтали содержится её высота и характеристика (основная или вспомогательная). Метрика горизонтали - это последовательность координат существенных точек, определяющих её начертание.

Поиск методов приобретения топографических знаний, позволяющих оперативно решать перечисленные выше задачи, остается актуальным. В настоящей работе предпринята попытка решения этой проблемы на основе алгоритмов распознавания частично упорядоченных объектов.

Цель работы заключается в исследовании методов приобретения топографических знаний с использованием цифровых карт и способов их применения в интеллектуальной ГИС для решения ряда практических задач, связанных с трассировкой линий связи. Основные направления работы сводятся к решению следующих задач:

- исследование алгоритмов распознавания частично упорядоченных объектов с целью ускорения их работы;

- исследование возможностей использования алгоритмов распознавания частично упорядоченных объектов для приобретения топографических знаний при оценке местности по ее цифровому описанию,

- разработка системы приобретения топографических знаний на основе данных цифровой карты для интеллектуальной ГИС оперативного планирования линий связи.

Основные научные результаты, которые выносятся на защиту и получены лично автором, сводятся к следующему:

- разработаны три метода сокращения перебора в алгоритме распознавания частично упорядоченных объектов,

- показана возможность и разработаны способы применения алгоритмов распознавания частично упорядоченных объектов для приобретения топографических знаний,

- разработана система приобретения топографических знаний для задач трассировки линий связи на основе цифровой карты.

Научная новизна работы заключается в следующем:

1. На основе алгоритма распознавания частично упорядоченных объектов разработаны новые методы приобретения топографических знаний на основе цифровых карт для оценки характера участка местности при решении задачи трассировки линий связи: знания определяются параметрами решающей функции, построенной путем применения алгоритма разделения к цифровой карте как обучающей выборке.

2. Предложенные методы сокращения перебора в алгоритме распознавания частично упорядоченных объектов позволяют уменьшить время работы алгоритма.

Практическая ценность результатов работы состоит в использовании методов приобретения топографических знаний на основе цифровых карт в НИР "Коса-АН" (1992 г. промежуточный отчет), "Окно-ИИ" (1992 г. промежуточный отчет), "Зарево-1" (1993 г.), "Решение" (1995 г. промежуточный отчет), "Экран" (1996 г. промежуточный отчет), "Слайд" (1998 г.) 16 ЦНИИИ МО РФ.

Результаты диссертации использованы в разработке системы приобретения топографических знаний для интеллектуальной ГИС оперативного планирования линий связи в ОКР изделий 28Я6, 83т99, 88Э6 концерна "СИСТЕМПРОМ".

В первой главе проанализированы методы извлечения знаний из баз данных, а также оценены возможности их применения в разработке методов приобретения топографических знаний на основе цифровых карт.

Проблема приобретения знаний на основе цифровых карт рассматривается как проблема обучения, т.е. решающее правило формируется на основе обучающей выборки, в качестве которой используется цифровая карта. Под знаниями при этом понимается сама решающая функция или те или иные ее характеристики.

Предлагается формировать регулярно-ячеистое представление цифровых карт из векторного представления, для последующего использования регулярно-ячеистого представления в приобретении топографических знаний. Матрицу высот для тематического слоя "рельефа суши" предлагается формировать таким образом, чтобы значение в каждой ячейке этой матрицы было равно высоте ближайшей горизонтали, внутри которой лежит эта точка.

Предлагается получать обучающую выборку, выделяя и сжимая из регулярно-ячеистого представления цифровой карты только ту информацию, которая относится к оцениваемому участку. В связи с этим подробно рассмотрены известные методы сжатия и оценены возможности их применения в разработке методов приобретения топографических знаний. Кроме этого замечается, что эффектом сжатия обладают некоторые алгоритмы распознавания, в том числе алгоритмы распознавания частично упорядоченных объектов. При этом подчеркивается возможность частично упорядочить исходную топографическую информацию. Поэтому в этой главе также рассмотрены известные алгоритмы распознавания и проанализированы возможности использования этих алгоритмов в решении поставленной задачи.

Во второй главе рассматривается функциональный подход к проблеме сжатия дискретных данных, приведено описание известного алгоритма распознавания частично упорядоченных объектов и предлагаются методы сокращения просмотра результирующего списка, а также намечены подходы к решению проблемы приобретения топографических знаний.

Функциональный подход к проблеме сжатия данных заключается в том, что исходную дискретную информацию, как правило, можно интерпретировать как &-значную функцию (или систему &-значных функций), заданную на некоторой реальной или искусственно введенной области определения. Затем изложено определение частичного и линейного порядка.

Идея сокращения описана для простейшего одномерного случая. При исходном описании в виде списка пар его всегда можно восстановить по списку, содержащему только те пары, которые отличаются от соседних пар предшествующих им в исходном списке. В результате в сжатом списке не будет одинаковых значений у соседних пар.

Случай многих переменных можно свести к предыдущему путем линейного упорядочивания по рассмотренному выше способу, соответственно канторовской упорядоченности. В этом случае появляется возможность более естественно учитывать связь элементов в списке при определении критерия удаления отдельных элементов при сжатии списка, а именно, учитывать только те элементы, аргументы которых находятся в отношении частичного порядка с аргументами данного элемента (принадлежит его нижнему конусу по отношению частичного порядка).

Список, полученный в результате работы алгоритма сжатия частично упорядоченных объектов, или характеристики этого списка можно рассмотреть как решающую функцию распознавания.

Предлагается оценить неоднородность объекта, описанного исходным списком, по характеристикам сжатого списка, таким как количество элементов сжатого списка и максимальный порядок элементов списка.

Этот подход предлагается применить к цифровым картам.

При больших объемах информации цифровых карт существенно время работы алгоритма сжатия. Для сокращения перебора элементов списка и ускорения работы алгоритма сжатия В и алгоритма распознавания Кв предлагаются три метода:

- метод таблиц уровней и порядков;

- метод списка висячих вершин;

- комбинированный метод.

Приведены описания этих методов сокращения перебора списка и даны примеры работы алгоритмов с использованием этих методов, а также сравнения этих методов между собой и с базовым вариантом (полным перебором) по скорости работы и по возможностям оценить неоднородность исходного объекта. В методе списка висячих вершин и в комбинированном методе из элементов результирующего списка строится лес, характеристики которого также предлагается использовать для оценки неоднородности исходного объекта.

В третьей главе описаны методы приобретения топографических знаний, для чего используются рассмотренные во второй главе алгоритмы.

При оценке местности необходимо приобретать топографические знания о типе рассматриваемого участка местности. Эти знания являются характеристиками местности: равнинная, холмистая, горная; пересеченная и непересеченная; проходимая и непроходимая.

При выборе более подходящего участка для проектирования трассы связи кроме определения типов местности необходимо выявить расположение большинства препятствий по отношению к выбираемому направлению прокладываемой трассы.

Эти характеристики участка местности предлагается определять на основе значений таких характеристик как частота горизонталей, частота дорожной сети и частота водных препятствий, которые могут быть оценены на основе данных цифровых карт.

В свою очередь частоту горизонталей, дорог или объектов гидрографии и их расположение относительно выбираемого направления прокладываемой трассы предлагается оценить по некоторым характеристикам сжатого регулярно-ячеистого представления соответствующего тематического слоя для оцениваемого участка местности.

Предлагается сжимать регулярно-ячеистое представление оцениваемого участка местности, используя алгоритмы, изложенные во второй главе.

Для определения частоты объектов (горизонталей, дорог, объектов гидрографии, и т.п.) используются три характеристики сжатого списка и леса, построенного для заданного участка:

- количество элементов сжатого списка;

- количество висячих вершин леса (количество элементов списка висячих вершин);

- максимальный порядок элементов сжатого списка.

Для определения типа местности на оцениваемом участке предлагается 9 формировать множество сжатых списков и лесов для рассматриваемого участка, пересчитывая координаты точек местности при повороте на некоторый угол, с целью нахождения самого короткого списка ЬВт1п среди таких списков. Причем для этого необходим поворот системы координат на угол от 0° до 90°. И уже по минимальному списку ЬВтт и по соответствующему для него лесу 1УВтт оценивать участок местности по выше названным характеристикам.

Далее приведено описание системы приобретения топографических знаний для интеллектуальной ГИС оперативного планирования линий связи и выбор средств реализации (программа написана на языке программирования С), а также описание практических результатов работы.

Приводятся интервалы значений характеристик, найденные опытным путем, по которым производится оценка участка местности, а также таблицы с коэффициентами ускорения работы алгоритмов, использующих предложенью методы.

В приложениях приведены краткий обзор методов сжатия данных, описание характеристик местности, алгоритмы программ и акты об использовании.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Гришина, Елена Алексеевна

ВЫВОДЫ:

1. На основе цифровых карт могут быть построены функции, описывающие топографическую информацию. Областью определения такой функции является множество точек координатной сетки карты земной поверхности (геоиды), на которой можно ввести отношение частичного порядка, а в качестве области значений множество значений высот земной поверхности или множество номеров (идентификаторов) объектов других тематических слоев. Алгоритмы распознавания частично упорядоченных объектов позволяют получить сжатое представление графиков этих функций, характеристики которых соответствуют знаниям участка местности.

2. По решающим правилам, указанным в п.1, местность можно разделять по характеру рельефа на равнинную, холмистую и горную (низкогорную и среднегорную), по степени пересеченности на непересеченную и пересеченную (сильно, средне и слабо пересеченную), по степени проходимости на проходимую (легкопроходимую, проходимую, труднопроходимую) и непроходимую.

3. Для определения частоты объектов (горизонталей, дорог, объектов гидрографии и т.п.) используются три характеристики сжатого списка и соответствующего леса, построенного для заданного участка местности: количество элементов сжатого списка, количество висячих вершин леса (количество элементов списка

103 висячих вершин) и максимальный порядок элементов сжатого списка.

4. Для определения типа местности на оцениваемом участке предлагается формировать множество списков и соответствующих лесов для рассматриваемого участка, пересчитывая координаты точек местности при повороте на различные углы, с целью нахождения самого короткого списка среди них. И уже по минимальному сжатому списку и по соответствующему для него лесу оценивать участок местности по вышеназванным характеристикам.

5. Программно реализована система приобретения топографических знаний на языке программирования С, в которой осуществляется преобразование информации цифровых карт различных тематических слоев в сжатые списки.

6. На основе характеристик сжатого представления топографической информации предлагается определять качественные характеристики оцениваемого участка местности.

7. Опытным путем получены диапазоны значений характеристик сжатого представления топографической информации для различных типов местности.

8. Выявлены практические временные оценки работы алгоритмов распознавания частично упорядоченных объектов для участков различной длины и различной степени неоднородности.

ЗАКЛЮЧЕНИЕ

Проблема приобретения топографических знаний на основе цифровых карт состоит в формировании оценки участка местности на основе численных данных цифровых карт. Эта проблема актуальна в связи с тем, что при создании баз знаний интеллектуальных геоинформационных систем оперативного решения таких задач, как планирования линий связи, выбора трасс мобильных средств, необходимы знания о свойствах и пространственно-логических отношениях объектов местности.

Приобретение знаний из цифровых карт не распространены и автору не удалось найти подобных примеров. В векторном представлении цифровые карты хранятся в картографических базах данных. Известные методы извлечения знаний из баз данных неприменимы, поскольку не учитывают специфики цифровых карт. Сложность проблемы приобретения топографических знаний на основе цифровых карт заключается в наличии специфического типа данных, а именно, пространственных цифровых данных - метрике объектов, и поэтому представляется невозможным оценить тип участка местности рассмотренными методами.

Проблема приобретения топографических знаний на основе цифровых карт может рассматриваться как задача распознавания образов. Среди большого количества рассмотренных методов распознавания наиболее перспективными для проблем приобретения знаний на основе цифровых карт представляется комбинаторно-логические методы, в частности метод распознавания частично упорядоченных образов, поскольку цифровая карта допускает функциональную интерпретацию с частично упорядоченной областью определения.

Рассматривается проблема приобретения знаний на основе цифровых карт как проблема обучения, т.е. решающее правило формируется на основе обучающей выборки, в качестве которой используется цифровая карта. Под знаниями при этом понимается сама решающая функция или те или иные ее характеристики. Областью определения функции, описывающей топографическую информацию, является множество точек координатной сетки карты земной поверхности (геоиды), на котором можно ввести отношение частичного порядка, а в качестве области значений множество значений высот земной поверхности для тематического слоя "рельеф суши" или множество номеров объектов других тематических слоев.

Алгоритмы распознавания частично упорядоченных объектов позволяют получить сжатое представление графиков этих функций.

Элементы результирующего сжатого списка характеризуют исходный образ. Остальные элементы, не вошедшие в этот список, несут избыточную информацию. В этом случае характеристики решающих функций, т. е. этих сжатых представлений, являются знаниями.

Предложено использовать количество элементов результирующего сжатого списка и максимальный порядок элементов этого списка для определения неоднородности исходного объекта.

Предложены три метода сокращения перебора в алгоритме распознавания частично упорядоченных объектов: метод таблиц уровней и порядков, метод списка висячих вершин и комбинированный метод. Эти методы позволяют существенно сокращать просмотр результирующего списка в алгоритме сжатия и распознавания частично упорядоченных объектов.

Метод списка висячих вершин и комбинированный метод позволяет получить еще одну характеристику исходного объекта - количество элементов списка висячих вершин в лесе, построенном на основе результирующего списка алгоритма сжатия. Это количество также характеризует неоднородность исходного объекта.

По решающим правилам местность можно разделять по характеру рельефа на равнинную, холмистую и горную (низкогорную и среднегорную), по степени пересеченности на непересеченную и пересеченную (сильно, средне и слабо пересеченную), по степени проходимости на проходимую (легкопроходимую, проходимую, труднопроходимую) и непроходимую.

Для определения частоты объектов (горизонталей, дорог, объектов гидрографии и т.п.) используются три характеристики сжатого списка и соответствующего леса, построенного для заданного участка местности: количество элементов сжатого списка, количество висячих вершин леса (количество элементов списка висячих вершин) и максимальный порядок элементов сжатого списка.

Для определения типа местности на оцениваемом участке предлагается формировать множество списков и соответствующих лесов для рассматриваемого участка, пересчитывая координаты точек местности при повороте на различные углы, с целью нахождения самого короткого списка среди них. И уже по минимальному сжатому списку и по соответствующему для него лесу оценивать участок местности по выше названным характеристикам.

Относительно выбираемого направления планируемой линии связи строится отдельное сжатое представление, по характеристикам которого можно судить о расположении объектов топографии.

106

Программно реализована система приобретения топографических знаний на языке программирования С, в которой осуществляется преобразование информации цифровых карт различных тематических слоев в сжатые списки.

На основе характеристик сжатого представления топографической информации можно определить качественные характеристики оцениваемого участка местности.

Опытным путем получены диапазоны значений характеристик сжатого представления топографической информации для различных типов местности.

В данной работе разработаны следующие методы на основе алгоритмов распознавания частично упорядоченных объектов:

- методы сокращения перебора в алгоритме распознавания частично упорядоченных объектов;

- методы приобретения топографических знаний на основе цифровых карт для оценки характера участка местности при оперативном решении задачи планирования линий связи.

Практическая ценность результатов работы состоит в использовании методов приобретения топографических знаний в разработке интеллектуальной геоинформационной системе оперативного планирования линий связи.

Список литературы диссертационного исследования кандидат технических наук Гришина, Елена Алексеевна, 2000 год

1. Айзерман М.А., Браверман Э.М., Розоноер Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970.

2. Аммерал Л. Машинная графика на ПК: Пер. с англ. М.: "Сол Систем", 1992, С.35.

3. Андрианов В. И., Соколов А. В. Средства мобильной связи. СПб.: BHV, 1998.

4. Антонова H.A., Наумов H.A. Методы сжатия данных в вычислительных системах. Методы поэлементного сжатия данных. М.: Наука, 1994.

5. Антонова H.A., Наумов H.A. Методы сжатия данных в вычислительных системах. Методы группового сжатия данных. М.: Наука, 1995.

6. Антонова H.A., Наумов H.A. Методы сжатия данных в вычислительных системах. Методы нумерации в сжатии данных. Методы сжатия двоичной информации. М.: Наука, 1996.

7. Апатова Н. В., Иловайская Е. И. Информационно-обучающая система "Экономические и рекреационные ресурсы Крыма" // Ученые записки СГУ. Вып. 8, Симферополь 1998, с. 17 - 21.

8. Ачасова С.М. Вычисление на нейронных сетей (Обзор) // Программирование. -1991 N2-C. 12-19

9. Ю.Бабко И.М., Меркулов Л.Н. Об оценке эффективности методов сжатия данных // Иерархические системы управления и их адаптация: Сб. н. тр. ВЦ СО АН СССР. Новосибирск, 1984. - С. 46 - 54.

10. П.Бауэр Ф., Гооз Г. Информатика: Пер. с англ. М.: Мир, 1976.

11. Бонгард М. М. .проблема узнавания. М: Наука, 1967.

12. Бычков И. В., Васильев С. Н., Вильвер П. Ю., Кузьмин В. А. Представление экспертных знаний в интеллектуальных ГИС / КИИ'98, VI Национальная конференция с международным участием: Сб. науч. тр., т. 1. Пущино, 1998, с. 287 - 292.

13. Вагин В. Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988.

14. Вагин В. H., Викторова H. П. Обобщение и классификация знаний // Искусственный интеллект. Кн. 2. Модели и методы: Справочник / Под ред. Д.А Поспелова. М.: Радио и связь, 1992.

15. Вагин В. Н., Федотов А. А., Фомина М. В. Методы извлечения и обобщения информации в больших базах данных // Изв. АН. Теория и системы управления, 1999, N 5, с. 45 59.

16. Винтер И. А. Геоинформационная система проектирования и анализа радиосетей: Учеб. пособие (Ярослав. Гос. Ун-т им. П. Г. Демидова) / Королев Н. И. Кренев А. Н. Ярославль. - 1999. - 88 с.

17. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.

18. Геоинформатика. Толковый словарь основных терминов / Баранов Ю. Б., Берлянт А. М., Капралов Е. Г. и др. // Под ред. А. М. Берлянта и А. В. Кошкарева- М.: Изд. ГИС-Ассоциации (МГУ) 1999, с. 205.

19. ГИС-технологии в геологическом изучении недр / Черемисина Е. Н., Марченко В. В., Чесалов JI. Е. и др. (ВНИИ Геосистем) М., 1996.

20. ГОСТ 28441-90. Картография цифровая. Термины и определения. 1990.

21. Горелик A.JL, Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. Некоторые аспекты. -М.: Радио и связь, 1985.

22. Горбань А.Н. Обучение нейронных сетей. М.: СпараГраф, 1990.

23. Горбатов В.А. Теория частично упорядоченных систем. М. "Сов. радио", 1976.

24. Городецкий В.М. Формирование понятийной структуры знаний на основе экспертной и экспериментальной информации // Всесоюз. конф. по искусственному интеллекту: Докл. 1988 - Т. 1 - С. 385 - 390.

25. Гришина Е. А. Методы формирования знаний на основе цифровой топографической информации // Международный форум информатизации МФИ-93. Информационные средства и технологии в науке, технике, обучении: Тез. докл. Моск. энерг. ин-т - 1993 - С. 23.

26. Гришина Е.А., Ополченов А. В. Алгоритм компрессии данных на основе их функциональной интерпретации // Международный форум информатизации МФИ-99. Информационные средства и технологии: Докл. Моск. энерг. ин-т - 1999 - Т. 2 - С. 81 - 84.

27. Гришина Е. А., Птицын С. Ю. Методы формирования картографических баз знаний при автоматизации решения задач управления связью // Научно-технический сборник 16 Центральный научно-исследовательский испытательный института. 1996. - N 3 - С. 32-35.

28. Гуревич Ю.Б., Журавлев Ю.И. Минимизация булевых функций и эффективные алгоритмы распознавания // Кибернетика. 1974 - N 1 - С. 12-19.

29. ДеМерс М. Н. Географические информационные системы: Основы: Пер. с англ. / ДеМерс М. Н. М.: Дата+, 1999.

30. Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений. // Дискретный анализ -Новосибирск: Ин-т математики СО АН СССР 1966 - Вып. 7 - С. 3-15.

31. Еремин И.И., Мазуров В.Д. Нестационарные процессы математического программирования. -М.: Наука, 1979.

32. Журавлев Ю.И. Экстремальные задачи, возникающие при обосновании эвристических процедур // Проблемы прикладной математики и механики. -М.: Наука, 1971.

33. Журавлев Ю.И. Непараметрические задачи распознавания образов // Кибернетика. 1976 -N 6 - С. 93-103

34. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. 1978 - Вып. 33 - С. 5 - 68.

35. Журавлев Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов. III // Кибернетика. 1978 - N 2 - С.35 - 43.

36. Журавлев Ю.И. Об алгебраических методах в задачах распознавания и классификации // Распознавание, классификация, прогноз. Математические методы и их применение. 1989. - Вып. 1. - С. 9 - 16.

37. Искусственный интеллект: В 3 кн. Кн.2.Модели и методы: Справочник / Под ред. Д.А.Поспелова М.: Радио и связь, 1990.

38. Использование геоинформационных технологий в управлении социально-экономическим развитием региона: Учеб. пособ. / Логиновский О. В., Козлов А. С. и др. Челябинск: Изд-во Юж.-Урал. гос. ун-т, 1999.

39. Кадач А. В. Эффективные алгоритмы неискажающего сжатия данных сортировкой блоков. Новосибирск, 1997.

40. Кириллов Н. Е. Об одном применении многопрограммных кодов для статистического кодирования // Проблемы передачи информации: Сб. ст. -1960-Вып. 5.-С. 34-46.

41. Классификация и распознавание в дискретных системах. А.А.Болотов, А.Б.Фролов / Под ред. В.Н. Вагина.- М.: Изд-во МЭИ, 1997.

42. Кнутт Д. Искусство программирования для ЭВМ. М.: Мир, 1976.

43. Кондратьев А. И. Теоретико-игровые распознающие алгоритмы. / Отв. ред. Е. В. Золотов. АН СССР, Дальневост. отд-ние, ВЦ М.: Наука, 1990.

44. Коробейников А. П. Методы распознавания образов: Учебное пособие / Коробейников А. П. Ростов-на-Дону: Издат. Центр ДТТУ, 1999.

45. Курбаков К. И. Кодирование и поиск информации в автоматическом словаре. М.: Сов. радио, 1968.

46. Ледли P.C. Программирование и использование цифровых вычислительных машин: Пер. с англ. М.: Мир, 1966.

47. Матаока Т., Харисаки X. Компьютеры на СБИС. М.: Мир, 1986.

48. Молдавский С. Универсальный "геосервер" / Компьютеры + программы. -Киев, 1999.-N I.e. 62-64.

49. Мусин О.Р. Эффективные алгоритмы для теста принадлежности точки многоугольнику и многограннику // Программирование. 1991 - N 4 - С. 72-81.

50. Нефедов В. И. Современные системы подвижной связи: Учеб. пособие. -М., 1999.

51. Новик Д.А. Эффективное кодирование. М.: Энергия, 1965.

52. Организация баз данных в вычислительных системах. И.В. Иванов, А.П.Семенов / Под ред. А.Б. Ковалева М.: Мир, 1980.

53. Патрик Э. Основы теории распознавания образов: Пер. с англ./ Под ред. Б.Р.Левина. М.: Сов. радио, 1980.

54. Першиков В.И., Савинков В.М. Информатика. М.: Фин. и стат., 1991.

55. Попов Э. В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987.

56. Приобретение знаний: Пер. с япон. / Под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990.

57. Распознавание. Нейросети. Виртуальная реальность / Под ред. В. Б. Бетелина (Вопросы кибернетики) М., 1997.

58. Распознавание образов: состояние и перспективы: Пер. с англ.: К.Верхаген, Р.Дейн, Ф.Грун М.: Радио и связь, 1985.

59. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. -М.: Энергоиздат, 1981.

60. Розенблат Ф. Принципы нейродинамики (персептрон и теория механизмов мозга). М.: Мир, 1965.

61. Романов А. А. Геоинформационные технологии и интерактивная компьютерная обработка изображений в задачах дотационного зондирования океана: Учеб. пособ. (Моск. физ. техн. ин-т (гос. ун-т)) / Романов А. А. - М., 1999. - 230 с.

62. Рязанов Ф.И., Сиваков A.M., Орлецкий Ю.М. Топографическое обеспечение организаций связи. Москва: Радио и связь - 1996.

63. Сиваков A.M. Топография для связистов. М.: Радио и связь, 1994.

64. Тикунов В. С. Устойчивое развитие территорий: картографо-геоинформационное обеспечение / Цапук Д. А. М. - 1999.

65. Топография ./ Бубнов И.А., Кремп А.И. и др. / Под ред. Бубнова И.А. М.: Недра, 1997.

66. Трофимова И. П. Системы обработки и хранения информации М.: Высш. шк., 1989.

67. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

68. Уэзерелл Ч. Этюды для программистов. М.: Мир, 1982.

69. Федотова А. А., Фомина М. В. Система формирования обобщенных продукционных правил на основе анализа больших баз данных // Сб. научн. тр. Шестой национальной конф. по искусственному интеллекту КИИ-98. т.1. Пущино, Россия, 1998.

70. Фролов А.Б. Яко Э. Алгоритмы распознавания частично упорядоченных объектов и их применение // Изв. АН СССР. Техническая кибернетика. -1990 N 5 - С. 95 - 103.

71. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.

72. Халугин Е. И., Жалковский Е. А., Жданов Н. Д. Цифровые карты./ Под ред. Е. И. Халугина. М.: Недра, 1992.

73. Ходоровский JI.A. Отображение факторов из базы данных в факты пролога // Всесоюз. конф. по искусственному интеллекту: Докл. 1988 - Т. 3 . С.474-476.

74. Цветков В. Я., Геоинформационные системы и технологии. М.: Фин. и стат.,1998.

75. Цымбал В.П. Теория информации и кодирования. Киев: Наукова думка, 1977.

76. Шерстнев В.Ю. Исчисление для извлечения данных // Всесоюз. конф. по искусственному интеллекту: Докл. 1988 - Т. 1 - С. 411-416.

77. Яко Е. Итеративные канонические разложения булевых функций и их приложения в логическом проектировании. / Диссертация на соиск. уч. степ. к. т. н., М: МЭИ -1983.

78. Aasheim О. Т., Solheim Н. G. Rough Sets as a Framework for Data Mining / Project Report. Faculty of Computer Systems and Telematics, The Norwegian University of Science and Technology, Trondheim, 1996.

79. Bassiouni M.A. Data compression in scientific and statistical databases. // IEEE Trans. On Soft. Ing. 1985 - V. 11 - N 10 - P. 1047 - 1058.

80. Carpenter G. A., Grossberg S. A massively parallel Architecture for a Self-organizing Neural Patteny Recognition Machine // Сотр. Vision, Graphics and Image Proceess. 1987. - V. 37. - P. 54 - 115.

81. Cheng Jicheng. Information Super-Highway and Geographic Information System: On the Information Revolution of Geography // Dizhi Keji Qingbao. Sci. And Technol. Inf. 1997, 16 Suppl., p. 9 - 14.

82. Cormack G. V. Data compression on a database system. // CACM 1985 - V. 28-N 12- P. 1336- 1342.

83. Fano R.M. Transmission of information. MIT Press Wiley. London - 1975.

84. Fukushima K. A. Neural Network Models for Selective Attention in Visual Pattern Recognition // Biol. Cybernetics. 1986. - V. 45 - P. 5 - 45

85. Gaines B.R. and Kohout L.S. Transmission of information. // Int. F. Man-Machine Studies 1977 - V. 9 - P. 1 - 68.

86. Gallager R.G. Variations on a theme by Huffman. // IEEE Trans. On Inform. Theory. 1978 - V. 24 - N 6 - P. 668 - 674.

87. Holsheimer M., Kersten M. L. Architectural Support for Data Mining / Eds. U. M. Fayyad and R. Uthurusamy. AAAI-94 Workshop Knowledge discovery in Database, Seattle, Washington, 1994.

88. Huffman D. A method for the construction of minimum redundancy codes. // Proc. IRE 1952 - V. 40 - P. 1098 - 1101.

89. International Journal of Expert Systems: Reseach and Applications. 1990 -V.2 - N.4.

90. Ireland P. Plugging into Cyberspace // GIS Europe, 1997, n. 8, p. 22 24.

91. Jako E., P. Ittzes. A discrete methematical approach to the analysis of spatial pattern // Abstracta Botanica 22: 121 142, 1998 Department of Plant Taxonomy and Ecology, ELTE, Budapest.

92. Katajainen J., Penttonen M., Teuhola J. Syntax-directed compression of program files. // Software Practice Experience 1986 -V. 16-N3-P. 269 -279.

93. Nunez M. The Use of Background Knowledge in Decision Tree Induction // Machine Learning, 1991, N 6.

94. Proceedings IEE Int. Conf. Artif. Newral Networks. London. - 1989.

95. Proceedings of the Third conference on Artificial Intelligence applications. -Philadelphia 1987.

96. Proceedings of the Fifth International conference on Machine Learning. -Los Altos 1988.

97. Quinlan J. R. Induction of Decision Trees // Machine Learning. 1986. N 1.

98. Ram S., Park J., Ball G. L. Semantic model support for geographic information system // Computer. - Los Alamitos, 1999. - vol. 32, n. 5, p. 74 -81.

99. Reghbati H. K. An overview of data compression techniques. // Computer -1981-P. 71-75

100. Ruth S. S., Kreutzer P. J., Data compression for large business files. // Datamation 1972 - V. 18 - N 8 - P. 62 - 66.170

101. Schwartz E.S., Dictionary for minimum redundancy coding. // Journal of ACM 1963 - N 10 - P. 413 - 439.

102. Snyderman M., Hunt B. The myriad virtues of text compaction. // Datamation 1970 - N 16 - P. 36 - 40

103. Spitzer T. 1997 = nineteen ninety seven // DBMS. Redwood City, 1997. -vol. 10, n. 1, p. 63-64, 66-69.

104. Susan J. E., Olken F., Shoshani A. A compression technique for large statistical Databases // Proc. Very Large Data Base, IEEE -1981 P. 424 434

105. Toon M. The World by Your Window // GIS Europe, 1997, v. 6, 11, 38-41

106. Virtual Frontier. Promo CD // North Wood Geosience Ltd. Klondike Software Inc. 1999.

107. Wagner R. A. Common phrases and minimum text storage. // Communication Of ACM 1973 - V. 16 - N 3 P. 148 - 153.

108. Zadeh L.A. Information and Control 1965 - P. 338-53.

109. Ziv J., Lempel A. A universal algorithm for sequential data compression. // IEEE Trans, on Inform. Theory 1977 - V. 23 - N 3 - P. 337 - 343