Информационная поддержка управления пространственно-координированными объектами средствами нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Сапрыкин, Олег Николаевич

  • Сапрыкин, Олег Николаевич
  • кандидат технических науккандидат технических наук
  • 2011, Самара
  • Специальность ВАК РФ05.13.01
  • Количество страниц 228
Сапрыкин, Олег Николаевич. Информационная поддержка управления пространственно-координированными объектами средствами нейронных сетей: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Самара. 2011. 228 с.

Оглавление диссертации кандидат технических наук Сапрыкин, Олег Николаевич

ПЕРЕЧЕНЬ УСЛОВНЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

1 СИСТЕМАТИЗАЦИЯ ПОНЯТИЙ И МЕТОДОВ ИССЛЕДОВАНИЯ.

1.1 Транспортная инфраструктура.

1.2 Интеллектуальные транспортные системы.

1.3 Средства пространственно-временного анализа.

1.4 Нейросетевые методы анализа информации.

1.5 Методы построения системы исследования пространственно-координированных объектов.

1.6 Задачи исследования пространственно-координированных объектов.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Информационная поддержка управления пространственно-координированными объектами средствами нейронных сетей»

Актуальность. Активный рост автомобильного парка России, значительно опережающий темпы дорожного строительства, сыграл ключевую роль в выборе Правительством Российской Федерации интеллектуальных транспортных систем (ИТС) в качестве одной из технологических платформ для повышения эффективности управления транспортной инфраструктурой урбанизированной территории. Требуется создание принципиально новых интегрированных подсистем ИТС, одновременно охватывающих массивы разнородных данных и использующих современные нейросетевые и геоинформационные технологии для обеспечения информационной поддержки процесса управления.

Данное направление предполагает создание систем автоматизированного управления транспортной инфраструктурой, что на настоящий момент требует решения целого круга научных и технических задач. Объектом исследования в диссертационной работе является интегрированная с ИТС система управления транспортной инфраструктурой урбанизированной территории на основе методов нахождения зависимости между разнородными пространственно-координированными и атрибутивными данными. Построенные в системе нейросетевые модели зависимости позволят эффективнее решать задачи оптимальной дислокации технических средств организации дорожного движения, что благотворно скажется на характеристиках транспортного потока и повысит безопасность на улично-дорожной сети.

В мировой практике организации дорожного движения на урбанизированной территории все активнее используется управление транспортной инфраструктурой с применением технологий интеллектуальных транспортных систем. Существует устойчивая тенденция дальнейшего совершенствования и внедрения подобных систем.

В области теории и практики развития интеллектуальных информационных технологий накоплен значительный положительный опыт. В его приобретение, наряду со многими зарубежными (С. Осовский, Д. Рутковская, Д. Кнут, Р. Шеннон и др.), существенный вклад внесли российские ученые: В. И. Васильев, А. Ю. Дорогов, Г. А. Ивахненко, Б. Г. Ильясов,

A. Н. Коварцев, М. А. Кораблин, Д.А. Поспелов, С. А. Прохоров и др. Ведутся исследования в области объектно-ориентированного структурирования информации и разработки паттернов, отраженные в работах Г. Буча (G. Booch), Э. Гаммы (Е. Gamma), Р. Хелма (R. Helm), Р. Джонсона (R. Johnson), Т. Бадда (Т. Budd), У. Гренандера (U. Grenander), М. Фаулера (М. Fowler), Э. Эванса (Е. Evans) и др. Вопросам обработки пространственных данных и построения прогноза развития городской инфраструктуры посвящены работы

B. Г. Гитиса, Б. В. Ермакова, Т. О. Перемитиной, В. В. Сергеева, JI. Оррала (L. Worrall), В. Г. Царегородцева, А. В. Чернова и др. Однако вопросы управления транспортной инфраструктурой с анализом пространственно-координированных объектов в рамках информационных технологий интеллектуальных транспортных систем требуют дополнительной проработки.

Целью диссертационной работы является повышение эффективности управления транспортной инфраструктурой посредством разработки методов, моделей, алгоритмов и программного обеспечения информационной поддержки управления пространственно-координированными объектами с использованием нейросетевых и ГИС-технологий. Под эффективностью понимается снижение аварийности и повышение пропускной способности улично-дорожной сети урбанизированной территории.

Для достижения цели в работе поставлены следующие задачи:

1. Разработать метод совместного описания разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработать методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры.

3. Разработать функциональную и информационную модели объектов транспортной инфраструктуры для информационной поддержки управления.

4. Разработать алгоритмы и программное обеспечение комплексной обработки разнотипной информации об объектах транспортной инфраструктуры для информационной поддержки управления.

Научная новизна работы содержится в следующих результатах:

1. Разработан метод совместного описания многослойной пространственно-координированной разнотипной информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработаны методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры, основанные на нейросетевых технологиях.

3. Разработаны функциональная и информационная модели объектов транспортной инфраструктуры, построенные на теории паттернов и методах нейросетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы нейросетевого анализа пространственно-координированных объектов транспортной инфраструктуры.

Практическая значимость. Результаты исследований в виде метода совместного описания разнотипной информации об объектах транспортной инфраструктуры, информационная и функциональные модели и нейросетевые алгоритмы анализа разнотипной информации для исследования объектов транспортной инфраструктуры использовались при разработке интеллектуальной транспортной системы и позволяют автоматизировать работу с пространственной и атрибутивной информацией (свидетельства об официальной регистрации программ для ЭВМ № 2007613790 от 05.09.2007, № 2007613780 от 05.09.2007).

Методика исследования. В работе использовались методы теории управления, системного анализа, проектирования информационных систем на основе теории паттернов, методы математического и геоинформационного моделирования, многомерной геометрии, нейросетевого анализа, организации баз пространственных данных и объектно-ориентированного программирования.

На защиту выносятся

1. Метод совместного описания многослойной разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры урбанизированной территории на основе геоинформационных технологий.

2. Методы нейросетевого исследования характеристик объектов транспортной инфраструктуры, проводимого с целью обеспечения безопасности и повышения пропускной способности транспортной сети.

3. Функциональная и информационная модели объектов транспортной инфраструктуры, построенные на методах теории паттернов, нейросетевого и объектно-ориентированного анализа и проектирования.

4. Алгоритмы и программное обеспечение обработки и нейросетевого анализа пространственно-координированных объектов транспортной инфраструктуры урбанизированной территории.

Реализация работы. Результаты диссертационной работы нашли применение при выполнении научно-исследовательских работ:

• Федеральная целевая программа «Повышение безопасности дорожного движения в 2006-2012 годах».

• Грант гос. per. № 341Т3.9Д «Применение нейросетевых технологий в программном комплексе исследования корреляции пространственно-координированных данных».

Прикладные разработки, связанные с созданием систем программного комплекса «Интеллектуальная транспортная система», а также с автономным использованием отдельных разработанных инструментальных средств, выполнялись в рамках этих программ:

• ООО «Вэймарк», 2008-2011 гг.: «Реконструкция автомобильной дороги общего пользования Самарской области, расположенной в границах городского округа Самара, Красноглинское шоссе», «Комплексная схема прогнозирования интенсивности транспортных потоков на улично-дорожной сети г. Самара», «Построение схем безопасности дорожного движения с использованием электронной карты города».

• ООО «Меркури Девелопмент Раша»: методы и алгоритмы работы с нейросетевыми структурами; технологии и паттерны проектирования систем управления и визуализации пространственно-координированных данных.

Результаты научных исследований в области теории управления транспортными потоками, методологии имитационного моделирования, технологии программирования внедрены в учебный процесс Самарского государственного аэрокосмического университета.

Апробация работы. Основные теоретические и практические результаты работы докладывались на Международных, Российских и региональных научных конгрессах и конференциях. Доклады представлены на: «Компьютерные науки и информационные технологии» (С8ГГ'2009); XII - XVIII Международных научных конференциях «Математика. Компьютер. Образование» (Пущи-но-Дубна, МГУ, 2005-2011); Международной конференции с элементами научной школы для молодежи «Перспективные информационные технологии для авиации и космоса (ПИТ-2010)» (Самара, 2010); Международной междисциплинарной научной конференции (Тверь, 2009); Шестом Международном симпозиуме (ПчГТЕЬ8'2004) «Интеллектуальные системы» (Москва-Саратов, 2004); 6, 7 международных научно-практических конференциях «Организация и безопасность дорожного движения в крупных городах» (Санкт-Петербург, 2004, 2006); международной молодежной научной конференции «XII Тупо-левские чтения» (Казань, 2004); VI всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 2002); XXXIII Самарской областной студенческой научной конференции (Самара, 2007), Региональной научно-практ. конф., посвященной 50-летию полета человека в космос (Самара, 2011).

Публикации. Основные положения и результаты диссертационной работы опубликованы в 26 источниках, включающих 1 монографию, 4 статьи в изданиях, выпускаемых в Российской Федерации в соответствии с требованиями ВАК Минобразования и науки РФ, 17 материалах конференций и семинаров, 2 свидетельства о регистрации программ и баз данных, 2 статьи в сборниках.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав основного материала, заключения, библиографического списка из 159 наименований и 6 приложений. Объем работы 179 страниц машинописного текста, включая 60 рисунков и 7 таблиц.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Сапрыкин, Олег Николаевич

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Разработан метод совместного описания разнотипной (пространственно-координированной, атрибутивной) информации о характеристиках объектов транспортной инфраструктуры на основе геоинформационных технологий, позволяющий единообразно формализовать множество разнотипных объектов, и необходимый для осуществления информационного обеспечения управления транспортными потоками.

2. Разработаны методы исследования характеристик пространственно-координированных объектов, основанные на технологиях многослойного персептрона и самоорганизующихся нейронных сетей, с целью обеспечения безопасности и повышения пропускной способности участков улично-дорожной сети.

3. Разработаны функциональная и информационная модели использования разнотипной информации о характеристиках объектов транспортной инфраструктуры, которые отображают необходимую для информационной поддержки управления объектами транспортной инфраструктуры урбанизированной территории информацию. Модели построены на методах теории паттернов, ней-росетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы и программный инструментарий интеллектуальной транспортной системы, в которых реализованы нейросете-вые методы исследования пространственно-координированных объектов, позволяющие выявить функциональную зависимость характеристик исследуемого объекта от дислокации и атрибутивной информации объектов, находящихся от него в непосредственной пространственной или временной близости. Результаты применения программного инструментария показали адекватность предлагаемых методов и алгоритмов, на их основе выработаны рекомендации по изменению дислокации и характеристик для более чем 20 светофорных объектов, 500 дорожных знаков, разметки и ограждений на участках УДС общей протяженностью более чем 35 км, которые позволили улучшить характеристики транспортной инфраструктуры: увеличить пропускную способность отдельных участков улично-дорожной сети от 3% до 17%, снизить уровень тяжести последствий от ДТП в 20072010 гг. в 1,37 раза. Разработанный программный инструментарий использовался для расчета аварийности и интенсивности транспортных потоков при составлении проектной документации реконструкции улиц города Самара. Практические результаты диссертационной работы используются на предприятиях г. Самара и в учебном процессе Самарского государственного аэрокосмического университета.

ЗАКЛЮЧЕНИЕ

В работе ставилась цель разработки методов, информационной модели и инструментальных средств анализа характеристик пространственно-координированных объектов с использованием нейросетевых и геоинформационных технологий. Разработаны модели, описывающие структуру и поведение объектов предметной области «Исследование объектов транспортной инфраструктуры». Решены задачи пространственно-временного и пространственного анализа аварийности и интенсивности дорожного движения. Определены критерии состоятельности моделей, построенных с помощью нейросетевых алгоритмов. Разработанные алгоритмы помогают в принятии решений по дислокации дорожных объектов с целью повышения безопасности и снижения интенсивности на улично-дорожной сети.

Список литературы диссертационного исследования кандидат технических наук Сапрыкин, Олег Николаевич, 2011 год

1. Основные работы автора по теме диссертации1. Монографии

2. AI. Михеева Т.И., Сапрыкин О.Н. Нейросетевое управление пространственно-координированными объектами транспортной инфраструктуры. -Самара: D.S. Style, 2011. 217 с.

3. Публикации в периодических изданиях из списка ВАК

4. А2. Сапрыкин О.Н., Михеева Т.И. Идентификация зависимостей в пространственно-распределенных данных с использованием нейросетевых технологий // Вестник Самарского гос. техн. ун-та. Серия «Технические науки». Самара: СамГТУ, 2007, №1(19). С. 40-47.

5. A3. Михеева Т.И., Сапрыкин О.Н. Самоорганизующиеся модели в интеллектуальных транспортных системах // Мехатроника, Автоматизация, Управление. 2009. №1. С. 21-26.

6. A4. Михеева Т.И., Сапрыкин О.Н. Паттерны проектирования подсистемы анализа состояния пространственно-координированных объектов интеллектуальной транспортной системы. // Информационные технологии. 2010. №7. С. 64-70.

7. А6. Сапрыкин О.Н. Михеева Т.И. Визуализация программирования числовых рядов / Техническая кибернетика, радиоэлектроника и системы управления // Тез. докл. VI всерос. научн. конф. студентов и аспирантов -ТГРУ, Таганрог, 2002. С. 182.

8. А7. Михеева Т.И., Сапрыкин О.Н. Автоматизированная система «Розыск автотранспорта по ориентировке» / Организация и безопасность дорожного движения в крупных городах // Труды 6 междун. научно-практ. конф. -С-Пб: С-ПбАДИ, 2004. С. 53-57.

9. А8. Сапрыкин О.Н. Михеева Т.Н. Автоматизированная система розыска автотранспорта по ориентировке / XII Туполевские чтения // Тез. докл. междун. молодежной научн. конф. Изд-во Казан, гос. техн. ун-та, Казань, 2004. С. 139.

10. А12. Сапрыкин О.Н. Паттерны проектирования в архитектуре ИТС. / Математика. Компьютер. Образование // Тез. докл. XV междун. конф. М.Ижевск: НИЦ «Регулярная и хаотическая динамика», - 2008. С. 116.

11. А13. Сапрыкин О.Н. Применение самоорганизующихся нейронных сетей в интеллектуальных транспортных системах. / Математика. Компьютер. Образование // Тез. докл. XVI междун. конф. М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», - 2009. С. 256.

12. А15. Сапрыкин О.Н., Сапрыкина О.В. Метод группового учета аргументов в задачах анализа транспортных данных. / Математика. Компьютер. Образование // Тез. докл. XVII междун. конф. . М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», - 2011. С. 237.

13. А16. Сапрыкин О.Н. Интеллектуальный анализ географических данных / XXXIII Самарская областная студенческая научная конференция // Тезисы докладов. Самара, 2007. С. 173.

14. Al8. Михеева Т.И., Сапрыкин О.Н. О механизме паттернов проектирования для решения задачи измерения интенсивности //Труды международной междисциплинарной научной конференции. Тверь, 2009. С. 371-374.

15. А24. Сапрыкин О.Н. Нейросетевая модель интенсивности дорожного движения / Математика. Компьютер. Образование // Тезисы докладов XVIII международной конф. М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», - 2011. С. 234.

16. А25. Михеева Т.И., Сапрыкин О.Н. Автоматизированная система анализа координации пространственных данных. / Свидетельство об официальной регистрации программы для ЭВМ № 2007613790 М.: Роспатент, 5 сентября 2007.

17. А26. Сапрыкин О.Н. АИС интеллектуального поиска автотранспорта по нечеткой ориентировке. / Свидетельство об официальной регистрации программы для ЭВМ № 2007613780 М.: Роспатент, 5 сентября 2007.1. Другие источники

18. Автомобильные перевозки и организация дорожного движения : Справочник / пер. с англ. / В.У. Рэнкин, П. Клафи, С. Халюерт и др. — М. : Транспорт, 1981. 592 с.

19. Андрианов В. Инфраструктура пространственных данных / АгсЯеу1еш. -2006.-№2(37). С. 1-2.

20. Арнольд В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1957, -№ 4. С. 41-61.

21. Артынов А.П., Кондратьев Г.А. Управление взаимодействием транспортных систем. -М. : Наука, 1986. 197 с.

22. Бабков В.Ф. Дорожные условия и безопасность движения: Учебник для вузов. М.: Транспорт, 1993. 290 с.

23. Бадамшин P.A. Использование геоинформационных технологий для интеграции пространственных данных / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 492-496.

24. Баранов Ю.Б., Берлянт A.M. и др. Геоинформатика. Толковый словарь основных терминов. М. : Изд-во ГИС-Ассоциации, 1999. 204 с.

25. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. —М. : Статистика, 1974. 159 с.

26. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++ / пер. с англ. — СПб. : Невский диалект, 1999. 560 с.

27. Буч Г., Рамбо Дж., Джекобсон А. Язык UML. Руководство пользователя / пер. с англ. М. : ДМК, 2000. 432 с.

28. Васильев В.И., Савина И.А. Анализ нечетких когнитивных карт с помощью пакета MatLab / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 55-58.

29. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. 576 с.

30. Вероятностные и имитационные подходы к оптимизации автодорожного движения / Буслаев А.П., Новиков A.B., Приходько В.М. и др. // Под ред. В.М. Приходько — М. : Мир, 2003. 368 с.

31. Виттих В.А., Смирнов C.B. Структура и принципы построения инженерных теорий управления сложными организационными системами / Проблемы управления и моделирования в сложных системах. Самара: РШУСС РАН, 1999. С. 33-38.

32. Вишняков A.C. Реализация метода группового учета аргументов на языке программирования высокого уровня с использованием теории автоматов / Принятие решений в условиях неопределенности // Уфа: УГАТУ, 2006. С. 123-130.

33. Вяткин В.Б. Синергетический подход к определению количества информации // Информационные технологии. 2009. №12. С. 68-73.

34. Гамма Э., Хелм Р., Джонсон Р., Влассидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. СПб.: Питер, 2001. 368 с.

35. География городов: Учеб. пособие для геогр. ф-тов вузов / Г.М. Лаппо -М.: Гуманит. изд. центр ВЛАДОС, 1997. 480 с.

36. Гитис В. Г., Ермаков Б. В. Основы пространственно-временного прогнозирования в геоинформатике. М.: ФИЗМАТ ЛИТ, 2004. 256 с.

37. Головко В.А. Нейронные сети: обучение, организации, применение. Кн.4 / Общ. ред. A.M. Галушкина. М.: ИПРЖР, 2001. 256 с.

38. ГОСТ Р 522290-2004. Знаки дорожные : Общие технические требования. — М. : Стандартинформ, 2006. 125 с.

39. ГОСТ Р 52289-2004 Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств. М. : Стандартинформ, 2006. 94 с.

40. Григорьев Д.А. Инструментальные средства для нейросетевого моделирования и управления транспортными потоками на перекрестках: : Авто-реф. дисс. . канд. тех. наук. Уфа: ,2004. 16 с.

41. Дилигенский Н.В., Рапопорт Э.Я. Современные концепции построения и применения общей теории управления сложными системами / Проблемы управления и моделирования в сложных системах. Самара, ИПУСС РАН.-2001. С. 116-127.

42. Дорогов А.Ю. Методы многоуровневого проектирования быстродействующих модульных нейронных сетей прямого распространения на основе иерархических категорных моделей. Дис. . д-ра. техн. наук: 05.13.01. -М.: РГБ, 2005. 403 с.

43. Дрю Д. Теория транспортных потоков и управление ими. М. : Транспорт, 1972. 424 с.

44. Ивахненко А.Г. Персептрон система распознавания образов. - Киев: Наукова-думка, 1975. 431 с.

45. Ивахненко Г.А. Алгоритм комплексирования аналогов для самоорганизации дважды многорядных нейронных сетей // УСиМ. 2003. № 2. С. 100— 106.

46. Иордон Э., Аргил К. Структурные модели в объектно-ориентированном анализе и проектировании / пер. с англ. — М. : Лори, 1999. 264 с.

47. Коварцев А.Н. Автоматизация разработки и тестирования программных средств. Самара, 1999. 150 с.

48. Колесников A.A. Синергетическая теория управления. М. : Энергоатом-издат, 1994. 371 с.

49. Колмогоров А.Н. О представлении непрерывной функции нескольких переменных в виде суперпозиции непрерывных функций одного переменного и операции сложения // Доклады АН СССР. 1957. - Т. 114. №5. С. 953-956.

50. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 с.

51. Кораблин М.А., Минаков И.А. Эволюционные алгоритмы в имитационном моделировании / Проблемы управления и моделирования в сложных системах.-Самара : ИПУСС РАН, 1999. С. 45-51.

52. Кораблин М.А., Смирнов C.B., Карбаев Д.С. Регрессионно-когнитивные графы в задачах макроэкономического прогнозирования / Вестник компьютерных и информационных технологий. М.: Научно-техническое издательство «Машиностроение», 2007, №3. С. 28-31.

53. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы : построение и анализ. -М. : МЦНМО, 2001. 960 с.

54. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы / пер. с англ. М. : Наука, 1974. 720 с.

55. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. —М. : Нолидж, 2000. 352 с.

56. Кременец Ю.А. Технические средства организации дорожного движения. -М. : Транспорт, 1999. 255 с.

57. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М. : Горячая линия - Телеком, 2001. 328 с.

58. Ларман К. Применение UML и шаблонов проектирования / пер. с англ. -М. : Издательский дом «Вильяме», 2004. 624 с.

59. Льюнг Л. Идентификация систем. Теория для пользователя: Пер. с англ. / Под ред. Л.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. 432 с.

60. Михайлов А.Ю., Головных И.М. Современные тенденции проектирования и реконструкции улично-дорожных сетей городов. Новосибирск: Наука, 2004. 267 с.

61. Михеева Т.И. Data Mining в геоинформационных технологиях // Вестник Самарского гос. техн. ун-та. Серия «Технические науки» №41. Самара: СамГТУ, 2006. С.96-99.

62. Михеева Т.И. Использование принципов объектно-ориентированного проектирования интеллектуальной транспортной системы // Вестник Самарского гос. техн. ун-та. Серия «Физико-математические науки» №34. -Самара: СамГТУ, 2004. С.141-149.

63. Михеева Т.И. Моделирование движения в интеллектуальной транспортной системе / Вестник Самарского гос. аэрокосм, ун-та Самара: СГАУ, 2004. С. 118-126.

64. Михеева Т.И. Построение математических моделей объектов улично-дорожной сети города с использованием геоинформационных технологий // Информационные технологии. 2006. №1. С.69-75.

65. Михеева Т.И. Структурно-параметрический синтез интеллектуальных транспортных систем/ Самара: Самар. науч. центр РАН, 2008. 380 с.

66. Михеева Т.И. Управление транспортными потоками. Учет ДТП. Самара: Самар. гос. тех. ун-т, 2006. 125 с.

67. Нильсон Дж. Применение DDD и шаблонов проектирования: проблемно-ориентированное проектирование приложений с примерами на С# и .NET.: пер. с англ. М.: ООО «И.Д. Вильяме», 2008. - 560 с.

68. Норенков И.П. Интеллектуальные технологии на базе онтологий // Информационные технологии. -М.: Новые технологии, 2010, №1. С. 17-23.

69. Павлов C.B., Бабин О.М. Классификация данных из разнородных источников из ArcGIS / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 381-387.

70. Полищук Ю.М., Перемитина Т.О. Геоинформационный подход к анализу многомерных данных о пространственно-распределенных объектах // Геоинформатика. 2003. № 1. С. 18-21.

71. Поляковский С.Ю. Методика планирования оптимальной обучающей выборки для нейронной сети / Принятие решений в условиях неопределенности. -Уфа: УГАТУ, 2006. С. 28-35.

72. Прохоров С.А. Прикладной анализ случайных процессов. Самара : СНЦ РАН, 2007. 582 с.

73. Рапопорт Э.Я. Структурное моделирование объектов и систем управления с распределенными параметрами : Учебное пособие. М. : Высш. шк., 2003. 299 с.

74. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд.: пер. с англ. М. : Вильяме, 2006. - 1408 с.

75. Рудаков И.А., Михеева Т.И., Чугунов И.А. Управление транспортными потоками. «Парковка». Самара: D.S. Style, 2006. 144 с.

76. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польского И.Д. Рудинского. -М. : Горячая линия. Телеком, 2004. 452 с.

77. Семенов В.А., Морозов С.В., Порох С.А. Стратегии объектно-реляционного отображения: систематизация и анализ на основе паттернов // Труды института системного программирования РАН, 2004. citforum.gatchina.net.

78. Сергеев В.В., Чернов А.В., Хасаев Г.Р, Мильченко В.И., Селиверстов Ю.М. Принципы построения системного территориального кадастра Самарской области // Информационный бюллетень ГИС-ассоциации. -2004. -№ 3(45). С 56-57, № 4(46). С. 60-61.

79. Смирнов С.В. Онтологический анализ в системах компьютерного моделирования // Проблемы управления и моделирования в сложных системах: Труды V международной конф. Самара: СНЦ РАН, 2003. С. 102107.

80. Смит Дж. Основы Windows Communication Foundation: пер. с англ. -М.: Издательство «Русская Редакция»; СПб.: «БХВ-Петербург», 2008. -384 с.

81. СНиП 2.07.01-89* «Градостроительство. Планировка и застройка городских и сельских поселений» М. : Стандартинформ, 1997. 73 с.

82. Схема развития транспортной инфраструктуры Самары в составе проекта Генерального плана города / Лукьянчикова О.Г., Васильчикова С.Ф., Махиня Д.А., Ломовская Л.К. // ArcReview. 2007. - №3(42). С. 6-8.

83. Титов Б.А., Козаренко Е.А. Экономические риски в транспортной логистической системе Самарской области / Вестник Самарской государственной академии путей сообщения. Самара: Самарский государственный университет путей сообщения, 2007, №7. С. 52-55.

84. Фаулер М. Архитектура корпоративных программных приложений: Пер. с англ. М.: Издательский дом «Вильяме», 2006. 544 с.

85. Федеральная целевая программа «Модернизация транспортной системы России 2002-2010 годы». М.: Минтранс РФ, 2001.

86. Хакен Г. Синергетика: иерархии неустойчивостей в самоорганизующихся системах и устройствах / пер. с англ. М. : Мир, 1985. 423 с.

87. Хоп Г., Вульф Б. Шаблоны интеграции корпоративных приложений / пер. с англ. М.: ООО «И.Д. Вильяме», 2007. 672 с.

88. Хренов A.B., Михеева Т.И. Обработка геоданных в интеллектуальной транспортной системе / Математика и ее приложения // Труды II междун. научной конф. «Математика. Образование. Культура». Тольятти: ТГУ, 2005. С. 102-106.

89. Царегородцев В.Г., Погребная H.A. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорас-тительных свойств ландшафтных зон // Методы нейроинформатики. — Красноярск: КГТУ, 1998. С. 65-110.

90. Цветков В.Я. Геоинформационные системы и технологии. М. : Финансы и статистика, 1998. 228 с.

91. Чернов A.B. Математические модели городской среды // Управление развитием территории. 2008. - №3. - С. 50-55.

92. Шамгунов Н. Н., Корнеев Г А. Шалыто А. А. Паттерн State Machine для объектно-ориентированного проектирования автоматов // Информационно-управляющие системы. 2004. № 5.

93. Эванс Э. Предметно-ориентированное проектирование (DDD): Структуризация сложных программных систем.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2011. 448 с.

94. Эльвик Р., Боргег А., Эствик Э., Ваа Т. Справочник по безопасности дорожного движения. Осло, Копенгаген: Институт экономики транспорта, 1996. 646 с.

95. Alexander С., Ishikawa S., Silverstein М. A Pattern Language. NY: Oxford University Press, 1977. 1171 p.

96. Angeline P.J., Sauders G.M., Pollack J.B. An evolutionary algorithm that constructs recurrent neural networks IEEE Trans. Neural Networks, vol. 5. Pp. 54-65, Jan. 1994.

97. ARC/INFO User's Guide: Network Analyst. Environmental Systems Research Institute. Inc., NY, 1992. 317 p.

98. Arc View User's Guide. Environmental Systems Research Institute. Inc., NY, 1992. 92 p.

99. Buschmann F., Meunier R., Rohnert H., Sornmerlad P., Stal M. Pattern-Oriented Software Architecture. Vol. 1: A System of Patterns. IN: Wiley Publishing, Inc., 1996. 467 p.

100. Cheng M.-Y., Ko C.-H. A genetic-fiizzy-neuro model encodes FNNs using SWRM and BRM // Engineering Applications of Artificial Intelligence №19 -2006. P. 891-903.

101. Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of control, signal and systems. 1999. - V. 2. P. 304-314.

102. Daniel T., Lepers B. Automatic incident detection: a key tool for Intelligent traffic management // Traffic technology international. Annual Review, 1996. P. 158-162.

103. Delavar M. R., Samadzadegan F., Pahlavani P. A GIS-assisted optimal urban route finding approach based on genetic algorithms. 1996. P. 143-147.

104. Dougherty M. A review of neural networks applied to transport. / Transp. Res. 1995. V. 3, №4. P. 247-260.

105. Fowler M. Analysis Patterns: Reusable Object Models. Addison-Wesley, 1997. 361 p.

106. Grenander U. General Pattern Theory. Oxford University Press, 1993. 904 p.

107. Grenander U. Pattern Theory: From Representation to Inference. Oxford University Press, USA, 2007. 608 p.

108. Hecht-Nielsen R. Neurocomputing. Mass.: Addison Wesley, 1992. 433 p.

109. Hopfield J. J., Neural networks and physical systems with emergent collective computational abilities, Proceedings of National Academy of Sciences, vol. 79, №8. 1982. Pp. 2554-2558.

110. Humble J., Farley D. Continuous Delivery: reliable software releases through build, test and deployment automation. Addison-Wesley, 2011. 597 p.

111. Ilornik K., Stinchcomb M., White H, Multilayer feedforward networks are universal approximate // Neural Networks. 1989, V. 2. №5. Pp. 359-366.

112. Ivakhnenko G.A. An Analogues Complexing Algorithm for Self-Organization of Double-Multilayer Neural Networks // USiM 2003. №2. Pp. 100-106.

113. Ivakhnenko A.G., Ivakhnenko G.A., Mueller J.-A. Self-Organization of Neural Networks with Active Neurons // Pattern Recognition and Image Analysis 1994. №4. Pp. 185-196.

114. Frank A. U., Raubal M., Vlugt M. A guide to GI and GIS / Panel-GI Compendium // European Communities. 2000. P. 141.

115. Hebb D.O. The Organization of Behavior / N.Y: Wiley, 1949. 141 p.

116. Kanoh H., Kozuka H. Evaluation of GA-based dynamic route guidance for car navigation using cellular automata. 2001. Pp. 245-251.

117. Kondo Т., Pandya A.S. GMDH-type Neural Networks with a Feedback Loop and their Application to the Identification of Large-spatial Air Pollution Patterns // Proc. of the 39th SICE Annual Conf. Intern. Sess. Papers, 112A-4, 2000. Pp. 1-6.

118. Liu M. WCF 4.0 Multi-tier Services Development with LINQ to Entities: Build SOA applications on the Microsoft platform with this hands-on guide updated for VS2010. UK: Packt Publishing, 2010. 330 p.

119. Lowy L. Programming WCF Services, Third Edition. CA: O'Reilly Media, Inc., 2010. 875 p.

120. Madala H.R., Ivakhnenko A.G. Inductive learning algorithms for complex systems modeling / CRC Press, Boca Raton, 1994. 365 p.

121. Maplnfo User's Guide. Maplnfo Corp. 1995. 252 p.

122. McCulloch W.S., Pitts W.H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5. Pp. 115-133.

123. Meszaros G. xUnit test patterns: refactoring test code. Addison-Wesley, 2009. 883 p.

124. Mueller J.-A., Lemke F. Self-Organizing Data Mining. An Intelligent Approach To Extract Knowledge From Data / Berlin, Dresden, 1999. 225 p.

125. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. Neural Networks, 1990, V.l. P. 427.

126. Nemati N.R., Barko C.D. Organizational Data Mining: Leveraging Enterprise Data Resources for Optimal Performance. Idea Group Publishing, 2004. 371 c.

127. Cremer M., Papageorgiou M. Parameter identification for a traffic flow model // Automatic, 1998. V. 17, №6. P. 837-843.

128. Park J., Sandberg LW. Universal approximation using radial basis function networks //Neural Compulation. 1991. - V. 35 N. 2. P. 246-257.

129. Rosenblatt, Frank. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical Laboratory. Offprint: Psychological Review. V 65. №6. Pp. 386^108.

130. Schatz P. COMPANION for the road //Traffic technology international. Annual Review. April/May, 1998. Pp. 103-106.

131. McCarthy T. .NET Domain-Driven Design with C#: Problem Design - Solution. IN: Wiley Publishing, Inc., 2008. 408 p.

132. Kirkpatrick D. A note on Delaunay and optimal triangulations // Inf.Proc. Lett., 1980. V. 10, No. 3. P. 127-128.

133. Worrall L. Spatial Analysis and Spatial Policy Using Geographic Information Systems. London: Belhaven, 1991. 224 p.

134. Xin Yao Evolving Artificial Neural Networks // Proceedings of the IEEE, vol. 87, № 9, September 1999. P. 1423-1447.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.