Интеллектуальные модели и комплексы программ обработки темпоральной информации в базах данных геодиагностических систем на железнодорожном транспорте тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Долгий, Александр Игоревич

• Долгий, Александр Игоревич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Долгий, Александр Игоревич

ВВЕДЕНИЕ.

ГЛАВА 1. ТЕХНОЛОГИИ ИЗВЛЕЧЕНИЯ ЗНАНИЙ В БАЗАХ ДАННЫХ ВРЕМЕННЫХ РЯДОВ. СОСТОЯНИЕ ПРОБЛЕМЫ.

1.1 Извлечение знаний в базах данных: основные термины, процессы и типовая архитектура программной реализации.

1.2 Классификация задач и примеры моделей извлечения знаний в базах данных.

1.3 Проблемы диагностирования и извлечения знаний в диагностических базах данных.

1.4 Лингвистические модели представления темпоральных знаний в базах данных временных рядов.

1.5 Выводы.

ГЛАВА 2. МОДЕЛИ ПРЕДСТАВЛЕНИЯ НЕЧЕТКО-ТЕМПОРАЛЬНЫХ ЗНАНИЙ В БАЗАХ ЗНАНИЙ ВРЕМЕННЫХ РЯДОВ.

2.1 Представление темпоральных и нечетко-темпоральных образов во временных рядах.

2.2. Методы формализации нечетких событий в иерархической модели представления нечетких темпоральных образов временных рядов.

2.3. Методы формализации отношений и структур в иерархической модели представления нечетких темпоральных образов временных рядов

2.4. Комплексная методология оценки адекватности и интерпретационной пригодности иерархической модели представления нечетких темпоральных образов BP.

2.5. Выводы.

ГЛАВА 3. АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ВЫЯВЛЕНИЯ НЕЧЕТКИХ ТЕМПОРАЛЬНЫХ ЗНАНИЙ В БАЗАХ ДАННЫХ ВРЕМЕННЫХ РЯДОВ

3.1. Общая схема выявления знаний в БД BP.

3.2. Вычисление характеристических функций и поиск нечеткотемпоральных образов по прототипу.

3.3 Поиск нечетко темпоральных образов в БД ГДС на основе алгоритма «априори».

3.4 Поиск нечетко темпоральных образов в БД ГДС на основе генетического алгоритма.;.

3.5 Выводы.

ГЛАВА 4. АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ТЕКСТОВОГО РЕЗЮМИРОВАНИЯ НА ОСНОВЕ ВЫЯВЛЕНИЯ НЕЧЕТКИХ ТЕМПОРАЛЬНЫХ ПРИЗНАКОВ ИЗ ГЕОДИАГНОСТИЧЕСКИХ ДАННЫХ

4.1 Георадиолокационный метод как средство геофизического мониторинга.

4.2 Интеллектуальные модели выявления нечетких темпоральных признаков в БД ГДС.

4.3 Оценивание интепретационной пригодности систем текстового резюмирования БД ГДС.

4.4 Выводы.

Введение диссертации (часть автореферата) на тему «Интеллектуальные модели и комплексы программ обработки темпоральной информации в базах данных геодиагностических систем на железнодорожном транспорте»

Актуальность работы. В последние годы на железных дорогах Российской Федерации наблюдается постоянный рост грузовых и пассажирских перевозок, что влечет за собой усиление требований к стабильности земляного полотна железнодорожного пути. В этом плане определяющую роль играют оперативные диагностические мероприятия, прямым образом влияющие на реализацию превентивных мер по предотвращению деформаций рельсовой линии и достижению требуемой работоспособности железнодорожного пути.

Диагностирование состояния земляного полотна железнодорожного пути включает массу мероприятий, основанных на геофизических методах, многие из которых базируются на традиционных технологиях сбора и обработки данных, что заметно ограничивает их возможности. Повышение требований к оперативности, производительности, достоверности и качеству принимаемых решений обусловили перевод диагностических систем на новую информационную основу. В частности, это касается развития методов диагностирования состояния земляного полотна железнодорожного пути на основе использования технологий георадиолокационного неразрушающего зондирования.

На сегодняшний день такой подход удовлетворяет большинству предложенных требований, но главным его достоинством является наличие потенциальных возможностей интеллектуализации. Под интеллектуализацией понимается извлечение полезных знаний из «сырых» георадиолокационных данных и автоматический вывод заключений о состоянии зондируемой среды, представленных в форме лингвистических экспертных оценок. Процесс выявления знаний подразумевает анализ данных с целью получения знания, представленного в виде новых, полезных, доступных для понимания и пригодных для автоматической интерпретации образов в данных.

Многие проблемы, связанные с анализом данных, включают в себя темпоральные аспекты. Наиболее распространенный вид темпоральных данных - временные процессы и ряды, в которых повторяющиеся наблюдения признаков порождают схожие по структуре последовательности данных. Особый класс временных процессов образуют слабо формализованные процессы, порожденные отраженными электромагнитными сигналами, распространяемыми в нелинейных средах. Одной из ключевых проблем, возникающих при разработке систем выявления знаний, автоматической интерпретации и архивирования информации в системах диагностики, базирующихся на таких принципах, является проблема представления данных в информационных базах экспертно-диагностических систем.

Развитие новых подходов к представлению информации в базах данных временных рядов (БД BP), ориентированных на использование . в геодиагностических системах, является необходимым условием на пути к автоматизации процессов мониторинга и диагностики железнодорожных объектов.

Большой вклад в развитие интеллектуальных технологий и теоретических основ информатики внесли такие ученые как А.Н. Аверкин, И.З. Батыршин, JI.C. Берштейн, Г.И. Белявский, В.Н. Вагин, А.Н. Гуда, А.П. Еремеев, В.В. Емельянов, А.Н. Каркищенко, С.М. Ковалев, В.М. Курейчик, Н.Н. Лябах, Г.С. Осипов, Э.В. Попов, Д.А. Поспелов, В.Б.Тарасов, В.К. Финн, В.И. Финаев, И.Б. Фоминых, Н.Г. Ярушкина и др.

Большой вклад в развитие теории и практики георадиолокационной диагностики на железнодорожном пути и автомобильных дорогах внесли отечественные ученые Е.С. Ашпиз, В.И. Грицык, А.Г. Круглый, В.В Помозов, Н.П. Семейкин, В.А. Явна и др.

Цель работы. Целью диссертационной работы является исследование и разработка новых методов формализации, выявления и представления знаний в базах данных временных рядов, с последующим их использованием при выявлении и текстовом резюмировании аномалий в базах данных геодиагностических систем.

Для достижения поставленной цели требуется решить следующие задачи:

1. На основе комплексного анализа современных методов и средств извлечения знаний в БД BP определить концепцию совершенствования средств автоматической обработки диагностической информации.

2. Разработать методологию представления нечетко-определенных знаний в темпоральных базах данных, ориентированную на поддержку процессов текстового резюмирования в подсистемах лингвистического обеспечения АСУ ТП.

3. Сформировать методологию оценки интерпретационной пригодности и эффективности работы моделей представления и текстового резюмирования нечетких темпоральных знаний в БД BP.

4. Адаптировать статические алгоритмы выявления знаний к процедурам поиска нечетких темпоральных знаний, представленных в форме текстовых резюме.

5. Разработать методы извлечения и текстового резюмирования знаний в БД геодиагностических систем с целью автоматизации процесса интерпретации георадиолокационной информации.

Методы исследования. Для решения поставленных задач использовались следующие методы исследований: элементы темпоральной логики, методы теории множеств и нечетких множеств, методы теории графов, элементы теории эволюционного моделирования, методы цифровой обработки временных сигналов.

Научная новизна. Научная новизна диссертационной работы заключается в следующем:

1. На основе общесистемных принципов организации человеческого мышления и речевой коммуникации впервые разработана формализованная методология оценки адекватности и интерпретационной пригодности моделей представления нечетких темпоральных знаний в базах данных интеллектуальных информационно-диагностических систем.

2. На основе предложенной методологии оценки эффективности представления знаний разработана иерархическая модель представления нечетко-определенных знаний в темпоральных базах данных, удовлетворяющая критериям интерпретационной пригодности и ориентированная на поддержку процессов текстового резюмирования в подсистемах лингвистического обеспечения специализированных АСУ ТП.

3. Разработаны алгоритмы и программы поиска нечетких темпоральных знаний в базах данных временных рядов, основанные на концепциях эволюционного моделирования и «априори-поиска», позволяющие выявлять элементы знаний в текстовой форме, пригодной для непосредственного использования в подсистемах лингвистического обеспечения автоматизированных информационно-диагностических систем.

4. Разработан комплекс алгоритмов и программ для автоматического поиска темпоральных знаний в темпоральных базах данных геодиагностических систем и их лингвистической интерпретации в организационно-технологической системе диагностирования состояния земляного полотна железнодорожного пути.

Практическая ценность. Практическая ценность диссертационной работы заключается в следующем:

1. Иерархическая модель представления нечетких темпоральных знаний в БД BP, ориентированная на использование в различных поисковых системах, системах архивации данных, подсистемах лингвистического обеспечения и текстового резюмирования данных.

2. Методология оценки эффективности моделей представления нечетких темпоральных знаний в БД BP, нашедшая применение при разработке широкого класса систем интеллектуального анализа темпоральной информации.

3. Формализованные темпоральные признаки, выступающие в качестве базовых примитивов экспертного инструментария программных средств автоматической интерпретации георадиолокационной информации.

4. Программный комплекс автоматического профилирования и интерпретации георадиолокационных данных «GeoRailway+», позволяющий формировать подробное и наглядное заключение о состоянии балластного слоя и в разы сокращающий время обработки информации в БД геодиагностических систем (ГДС).

Достоверность и обоснованность. Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается доказательством утверждений, результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Предложенные алгоритмы выявления нечетких темпоральных признаков и представления знаний в БД ГДС были реализованы в программном комплексе автоматического профилирования и интерпретации георадиолокационных данных «GeoRailway+», разработанного согласно плану НИОКР Департамента пути и сооружений ОАО «РЖД» на тему «Разработка технологии и программно-технического комплекса для скоростной диагностики состояния балластной призмы методом георадиолокации», в 2007-2008 гг.

Апробация. Апробация основных теоретических и практических результатов работы проводилась на научных семинарах (с 2005 по 2008 гг., РГУПС), «Шестом всероссийском симпозиуме по прикладной математике» в 2005 г., международных научно-практических конференциях «Инженерная геофизика 2006», «Инженерная и рудная геофизика 2007», «Инженерная и рудная геофизика 2008» (Геленджик, 2006-2008 гг.).

Публикации. По теме диссертационной работы опубликовано 11 печатных работ, в том числе 7 работ опубликованы в изданиях, входящих в перечень ведущих рецензируемых научных журналов и изданий ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, общих выводов, списка литературы и приложений. Общий объем работы составляет 193 страницы машинописного текста, 54 рисунка, 11 таблиц. Список литературы включает 103 наименования отечественных и зарубежных авторов.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Долгий, Александр Игоревич

4.4 Выводы

1. Разработанная модель текстового резюмирования темпоральных данных в БД ГДС, основана на представлении данных в классе иерархических моделей НТП. Эксперименты с моделью показали, что информация, выявленная в БД ГДС и представленная в вербализованном виде, обладает рядом преимуществ по сравнению с традиционными методами представления БД, а именно она имеет более высокую информативность, отличается простотой интерпретации данных и позволяет в порядки раз сократить объем архивных данных.

2. Разработан комплексный подход к оценке интерпретационной пригодности моделей обобщения и текстового резюмирования данных в прикладных интеллектуальных системах. В основу предлагаемого подхода положены два критерия. Первый основан на сравнении результатов, полученных в процессе экспертного оценивания с результатами работы формальной модели, второй - на принципах разговорной кооперации Герберта Пола Грайса, который предполагает формализацию ассоциативных правил человеческого общения, имитирующих восприятие лингвистической информации пользователем. Приведенные результаты экспериментальных оценок продемонстрировали точность и эффективность работы модели вербализации ГД.

3. В рамках плана НИОКР, 2007-2008гг., был спроектирован и реализован программный комплекс автоматического профилирования и сегментной интерпретации «GeoRailway+». Разработанный программный комплекс позволяет в разы сократить время обработки больших массивов георадиолокационной информации и дает возможность экспертам формировать более подробное и наглядное заключение о состоянии балластного слоя ж.д. пути. Основным достоинством GeoRailway+, связанным с безопасностью перевозочного процесса, является исключение пропусков деформаций слоев в земляном полотне ж.д. пути, причиной которых является человеческий фактор.

ЗАКЛЮЧЕНИЕ

В результате выполненных теоретических и практических исследований по теме диссертационной работы реализованы следующие научные и практические положения:

1. Произведен комплексный анализ и дана классификация основных фаз интерактивного процесса извлечения знаний в базах данных временных рядов.

2. Сформулированы актуальные проблемы диагностирования, извлечения знаний в диагностических базах данных, а также сделан вывод о необходимости интеллектуализации моделей автоматической интерпретации в геодиагностике.

3. Рассмотрены методы гранулирования образных перцепций в выпукло-вогнутых паттернах функций, которые могут быть использованы в задачах текстового резюмирования временных процессов.

4. На основе анализа практических проблем и существующих подходов к выявлению темпоральных знаний и формирования баз знаний, можно сформулировать конечную целью исследования, заключающуюся в разработке методов представления и обработки темпоральной и нечеткой темпоральной информации в базах данных временных рядов с целью поддержки процессов выявления знаний. При этом модели представлений должны допускать возможность эффективного поиска темпоральных образов при помощи компьютерных программ.

5. В рамках разработки иерархической модели представления нечетких темпоральных образов BP, предложен новый подход к формализации нечетких темпоральных признаков в виде семиотических кортежей-двоек, обеспечивающий возможность унификации систем нечетких темпоральных признаков, а также их алгоритмическую, синтаксическую и семантическую поддержку в процессе выявления знаний.

6. С целью разработки методов построения баз данных и баз знаний геодиагностических систем предложена классификация систем нечетких темпоральных признаков на основе выделения трех классов признаков, а также предложен способ визуализации этих признаков с использованием граничных характеристических функций, обеспечивающий поддержку процессов формирования баз данных и баз знаний геодиагностических систем в интерактивном режиме с привлечением экспертов.

7. Разработан новый тип трехуровневой модели представления нечетко-темпоральных образов, описывающих нечеткие темпоральные знания в БЗ BP, основанных на нечетком обобщении темпоральных отношений Алена и принципах иерархического представления, согласно которым каждый последующий уровень иерархии сдерживает увеличение сложности и темпоральной абстракции предыдущих уровней.

8. Предложенная иерархическая модель нечеткого темпорального знания, опирающаяся на адекватное обобщении существующих методов формализации темпоральных знаний, удовлетворяет основным требованиям по компактности представления, темпоральной выраженности и интерпретационной пригодности, а также возможности адекватного представления как нечетко-определенной, так и зашумленной информации с целью последующей ее корректной обработки.

9. В рамках разработки иерархической модели представления нечетких темпоарльных образов предложен новый подход к формализации нечетких темпоральных отношений на основе граничных характеристических функций, имеющий квадратичную оценку алгоритмической сложности и являющийся в вычислительном плане более эффективным, нежели известные подходы.

10. Разработана методология оценки эффективности моделей представления нечетких темпоральных образов в базах данных временных рядов, основанная на формализации критериев выразительности и интерпретационной пригодности с использованием общепринятых принципов человеческой коммуникации и оптимальной организации человеческого мышления. На основе данной методологии было установлено, что разработанный класс иерархических моделей представления нечетких темпоральных образов удовлетворяет большему числу критериальных концептов, нежели существующие модели. Полученные результаты экспериментальных оценок продемонстрировали точность и эффективность работы модели вербализации георадиолокационных данных.

11. Предложена формализованная многошаговая схема выявления нечетких темпоральных знаний в базах данных временных рядов, ориентированная на использованием иерархической HFTI-модели представления нечетких темпоральных образов. Описанная схема позволяет решать широкий круг задач, связанных как с поиском аномалий в базах данных геодиагностических систем, так и с поиском часто встречающихся мотивов в различного рода баз данных временных рядов.

12. В рамках разработанной иерархической модели рассмотрен подход и алгоритм вычисления характеристических функций нечетких темпоральных образов ориентированный на максимально широкий класс структур и обладает предельно низкими линейными оценками алгоритмической сложности, что обеспечивает возможность его эффективного использования в поисковых процедурах, связанных с выявлением знаний в базах данных временных рядов.

13. Предложены алгоритмы поиска частных нечетких темпоральных структур, основанные на идеях применяемых в методах «априори» и генетического поиска, основным отличаем которых от классических алгоритмов поиска, является учет специфики баз данных нечетких темпоральных признаков геодиагностических систем, а также темпоральное представление выявляемых двух видов частных нечетких темпоральных структур. Использованные в них процедуры хеширования и эволюционных методов поиска заметно сокращает вычислительную сложность алгоритма, позволяя работать с большими базами данных нечетких темпоральных признаков.

14. Разработана модель текстового резюмирования темпоральных данных в БД ГДС Экспериментальная работа с моделью показала, что информация, выявленная в баз данных геодиагностических систем и представленная в вербализованном виде, обладает рядом преимуществ по сравнению с традиционными методами представления баз данных, а именно она имеет более высокую информативность, отличается простотой интерпретации данных и позволяет в порядки раз сократить объем архивных данных.

15. В рамках плана НИОКР, 2007-2008гг., был спроектирован и реализован программный комплекс автоматического профилирования и сегментной интерпретации «GeoRailway+». Разработанный программный комплекс позволяет в разы сократить время обработки больших массивов георадиолокационной информации и дает возможность экспертам формировать более подробное и наглядное заключение о состоянии балластного слоя ж.д. пути. Основным достоинством GeoRailway+, связанным с безопасностью перевозочного процесса, является исключение пропусков деформаций слоев в земляном полотне ж.д. пути, причиной которых является человеческий фактор.

Список литературы диссертационного исследования кандидат технических наук Долгий, Александр Игоревич, 2008 год

1. Aggarwal С. C. On eective classication of strings with wavelets. In D. Hand, D. Keim, and R. Ng, editors, Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'02), pages 163(172. ACM Press, 2002.

2. Agrawal R., Srikant R. Mining sequential patterns. In 11th International conference on Data Engineering, pages 3-14, March 1995.

3. Agrawal R., Psaila G., Wimmers E. L., Zaot M. Querying shapes of histories. In U. Dayal, P. M. D. Gray, and S. Nishio, editors, Proceedings of the 21st International Conference on Very Large Data Bases (VLDB'95), pages 502(514. Morgan Kaufmann, 1995b.

4. Allen J. F. Maintaining knowledge about temporal intervals. In Communications of the ACM 26(11), pages 832-843, 1983.

5. Badaloni S., Giacomin M. A fuzzy extension of Allen's interval algebra. In E. Lamma and P. Mello, editors, APIA99: Advances in Articial Intelligence, pages 155(165. Springer, 2000.

6. Bettini C., Sean X. Wang, Jajodia S., J.-L. Lin. Discovering frequent event patterns with multiple granularities in time sequences. IEEE Transactions on Knowledge and Data Engineering, 10(2):222{237, 1998.

7. Bradley P., Fayyad U., Mangasarian O. Data Mining Overview and Optimization Opportunity. Http://www.research.microsoft.com/datamine/. 1998.

8. Cabena P., Hadjinian P., Stadler R. et al. Discovering Data Mining. From Concept to Implementation. Prentice Hall PTR, 2000.

9. Calin M., Galea D. A fuzzy relation for comparing intervals. In B. Reusch, editor, Proceedings of the 7th Fuzzy Days on Computational Intelligence, Theory and Applications, pages 904(916. Springer, 2001.

10. Codd E., Codd S., Salley С Providing OLAP (On-Une Analytical Processing) to User-Analysts: An IT Mandate. E. F. Codd & Associates, 1993.

11. Dietterich T. Ensemble Methods in Machine Learning// Arbib M. (Ed.) Handbook of Brain Theory and Neural Networks. 2nd Edition. MIT Press, 2001

12. Dietterich T. Machine Learning Research: Four Current Directions // Al magazine. 1997.N" 18(4). P.97-136.

13. DuBois D., Prade. H. Processing fuzzy temporal knowledge. IEEE Transactions on Systems, Man and Cybernetics, 19(4):729 (744, 1989.

14. Fayyad U., Piatetsky-Shapiro G., Smyth P. From Data Mining to Knowledge Discovery: An Overview // Advances in Knowledge Discovery and Data Mining U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth. Cambridge; Mass: MIT Press, 1996. P. 1-34.

15. Freksa. Temporal reasoning based on semi-intervals. Artificial Intelligence, 54(1): 199(227, 1992.

16. Goodman I., Mahler R., Nguen H. Mathematics of Data Fusion. Kluwer Publishers, 1997.

17. Gorodetski V., Skormin V., Popyack L. et al. Distributed Learning in a Data Fusion System/ Proceedings of the Conference of the World Computer Congress (WCC-2000)«IntemgentInfomauon Processing* (IIP2000). Beijing, 2000. P. 147-154.

18. Grice H. P. Logic and Conversation. In Cole P. and Morgan J. (Eds), Syntax and Semantics: Vol 3, Speech Acts. Academic Press, New York, pp.43-58, 1975.

19. Guimaraes G., Ultsch A. A method for temporal knowledge conversion. In D. J. Hand, J. N. Kok, and M. R. Berthold, editors, Proceedings of the 3rd International Conference in Intelligent Data Analysis (IDA'99), pages 369(380. Springer, 1999.

20. Guimaraes G. Eine Methode zur Entdeckung von komplexen Mustern in Zeitreihen mit Neuronalen Netzen und deren Uberfuhrung in eine symbolische Wissensreprasentation. PhD thesis, Philipps-University Marburg, Germany, 1998. Germany.

21. Guimaraes G., J. Peter, T. Penzel, A. Ultsch. A method for automated temporal knowledge acquisition applied to sleep-related breathing disorders. Articial Intelligence in Medicine, 23 (3):211 (237, 2001.

22. Han J., Pei J. Pattern growth methods for sequential pattern mining: Principles and extensions. In Workshop on Temporal Data Mining, 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'01). ACM Press, 2001.

23. Han J., Kamber M. Data Mining. Concept and Techniques. Morgan Kaufman Publishers, 2000.

24. Hough P.V. Methods and means for recognizing complex patterns. U.S. Patent 069654. 1962.

25. Inmon W.H. Building the Data Warehouse. Wellesley: MA, QED Technical PublishingGroup.1992.

26. Jin Yu, Jim Hunter, Ehud Reiter, Somayajulu Sripada. Recognising visual patterns to communicate gas turbine time-series data. In A. Macintosh, R. Ellis, andF. Coenen, editors, Proceedings ofES2002, pages 105-118, 2002.

27. Kloesgen W. Versatile Discovery System // Knowledge Discoveiy in Data Bases/ U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth. Cambridge; Mass: MIT Press, 1995. P. 249-271.

28. Kohonen, T. Self-Organizing Maps, Second Edition. Berlin: Springer-Verlag. 1997.

29. Last M., Klein Y., Kandel A. Knowledge discovery in time series databases. IEEE Transactions on Systems, Man, and Cybernetics, 31(1): 160(169, 2001.

30. Lenat D. V., Feigenbaum E.A. On the Thresholds of Knowledge // Artificial Intelligence. 1991.V.47.P. 185-250.

31. Morchen F., Ultsch A. Discovering temporal knowledge in multivariate time series. In C. Weihs and W. Gaul, editors, Proceedings of the 28th Annual Conference of the German Classification Society (GfKl'04), pages 272(279. Springer, 2005a.

32. Morchen F. Time series feature extraction for data mining using DWT and DFT. Technical Report 33, Department of Mathematics and Computer Science, Philipps-University Marburg, Germany, 2003.

33. Morchen F., Ultsch A., Hoos O. Extracting interpretable muscle activation patterns with Time Series Knowledge Mining. International Journal of Knowledge-Based & Intelligent Engineering Systems, 2006. to appear.

34. Ohlbach H. J. Relations between fuzzy time intervals. In Proceedings 11th International Symposium on Temporal Representation and Reasoning (TIME'04), pages 44(51. IEEE Press, 2004.

35. Roddick J. F., Mooney С. H. Linear temporal sequences and their interpretation using midpoint relationships. IEEE Transactions on Knowledge and Data Engineering, 17(1):133(135, 2005. C.

36. Snoek С., M. Worring. Multimedia event based video indexing using time intervals. IEEE Transactions on Multimedia, 7(4):638(647, 2004.

37. Sripada Somayajulu G., Gao Feng Linguistic Interpretations of Scuba Dive Computer Data. Information Visualization, 2007. IV apos; 07. 11th International Conference. Volume , Issue , 4-6 July 2007 Page(s):436 441.

38. Sripada S., Reiter E., Hunter J., Yu, J. (2001). SUMTIME: Observation from KA for Weather Domain. Technical Report AUCS/TR0102. Dept. of Computing Science, University of Aberdeen.

39. Sripada, S. G., Reiter, E., Hunter, J., Yu, J., "Generating English Summaries of Time Series Data Using the Gricean Maxims", SIGKDD, USA, 2003.

40. Vilain M. A system for reasoning about time. In Proceedings of the 2nd National Conference on Articial Intelligence (АААГ82), pages 197(201. AAAI Press / MIT Press, 1982.

41. Weiss G. M. Timeweaver: A genetic algorithm for identifying predictive patterns in sequences of events. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-99), pages 718(725. Morgan Kaufmann, 1999.

42. Yu J, Hunter J, Reiter E, Sripada S. An approach to generating summaries of time series data in the gas turbine domain. In Proceedings of ICII2001,Beijing, 2001, pp 44-51

43. Yu J., Hunter J., Ehud Reiter, Somayajulu Sripada. Recognising visual patterns to communicate gas turbine time-series data. In A. Macintosh, R. Ellis, and F. Coenen, editors, Proceedings ofES2002, pages 105-118, 2002.

44. Zadeh L.A. From computing with numbers to computing with words -from manipulation of measurements to manipulation of perceptions.- IEEE Trans, on Circuits and Systems 1: Fundamental Theory and Applications, 45, 1, 1999, 105 -119.

45. Zaki M. J. Fast mining of sequential patterns in very large databases. Technical report 668 of the Department of Computer Science, University of Rochester, Nov 1997.

46. Батыршин И.З. Общий взгляд на основные черты и направления развития нечеткой логики Л.Заде //Новости искусственного интеллекта №2-3, 2001

47. Батыршин И.З. Основные операции нечеткой логики //Новости искусственного интеллекта №4, 2001

48. Батыршин И.З., Шереметов Л.Б. Модели и методы перцептивного дата майнинга временных рядов для систем поддержки принятия решений. Нечеткие системы и мягкие вычисления. Том 2, №1, 2007

49. Буре P. XML и базы данных // Открытые системы. 2000. № 10. С.62.65.

50. Вершок Д.А. Алгоритмические средства обработки и анализа изображений на основе преобразования Хафа // Диссертация. Минск, 2002 г.

51. Владов М.Л. Старовойтов А.В., Калашников А.Ю Некоторые вопросы интерпретации георадиолокационных данных при изучении железнодорожных насыпей// Тр. 4-й меж.-нар. науч.-практич. конф. «Георадар-2004».-М.: МГУ, 2004.

52. Владов М.Л., Старовойтов А.В. Георадиолокационные исследования верхней части разреза. 2002, Изд-во МГУ. 90 с.

53. Владов М.Л., Старовойтов А.В., Калашников А.Ю Основные типы деформаций в железнодорожных насыпях по данным георадиолокационного профилирования Владов.// Меж.-нар. науч.-практ. конф. «Инженерная геофизика 2006». Геленджик, 2006. С 73-75.

54. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. 112 с.

55. Городецкий В.И., Тулупьев А.Л. Формирование непротиворечивых баз знаний с неопределенностью // Изв. РАН. Теория и системы управления. 1997. №5. С. 33-42.

56. Городецкий В.И. Современное состояние технологии извлечения знаний из баз и хранилищ данных (Часть1) // Новости ИИ, 2002. №3.-c.3-12.

57. Городецкий В.И. Современное состояние технологии извлечения знаний из баз и хранилищ данных (Часть2) // Новости ИИ, 2002. №4.-с.З-9.

58. Долгий А.И. Идентификация неоднородностей почвенных покровов на основе алгоритмов распознавания // Сборник тезисов докладов 64-й студенческой научно-практической конференции. Ростов н/Д: Изд-во РГУПС, 2005. - С.6.

59. Долгий А.И. Программный комплекс автоматического профилирования и сегментной интерпретации георадиолокационных данных «GeoRailway+»// Вестник РГУПС. Ростов-на-Дону: Изд-во РГУПС, 2008, №1.-с.30-37.

60. Долгий А.И., Ковалев С.М. Гибридная нечетко-динамическая модель анализа отраженных сигналов георадара в неоднородной среде // Обозрение прикладной и промышленной математики, том 12, вып.2. М.: Редакция журнала «ОП и ПМ», 2005.- С.386.

61. Долгий А.И., Ковалев С.М., Хатламаджиян А.Е. Модель локализации неоднородностей в георадиолокационных данных на основе нейросетей Кохонена // Известия ТРТУ. Тематический выпуск: «Интеллектуальные САПР». Таганрог: Изд-во ТРТУ, 2006. №8. - С. 180-186.

62. Долгий А.И. Комплексный подход к оцениванию интерпретационной пригодности систем текстового резюмирования баз данных геодиагностических систем // Вестник РГУПС. Ростов-на-Дону: Изд-во РГУПС, 2008, №1.- С.53-57.

63. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд. Института математики, 1999.

64. Ивашко В.Г., Кузнецов С.О. Оценки правдоподобия в продукционных экспертных системах // Экспертные системы: состояние и перспективы. -М.: Наука, 1989. с. 92-103.

65. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах // Под редакцией Д.А. Поспелова. — Москва, Наука, 1989. 328 с.

66. Капустин В.В., Владов M.JI. Опыт применения площадной георадарной сьемки для обнаружения и изучения локальных и линейно-протяженных объектов.// Меж.-нар. науч.-практ. конф. «Инженерная геофизика 2006». Геленджик, 2006. С 75-77.

67. Ковалев С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем. // Изв. вузов. Сев.-Кав. регион. Естественные науки, 2002. № 2. С. 10-13.

68. Ковалев С.М. Структурное обобщение нечетко-временных признаков в интеллектуальных моделях анализа динамических процессов // Обозрение прикладной и промышленной математики. Москва, 2002. Т. 9. Вып. 1.С. 207.

69. Кулаичев, А.П. Методы и средства комплексного анализа'данных. — М.: ФОРУМ: ИНФРА-М, 2006. 512 с.

70. Курейчик В.М. Генетические алгоритмы. Монография. Таганрог, ТРТУ, 1998.

71. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496с.

72. Морозова Г. Полный мониторинг способна обеспечить система IRISSys / Г. Морозова // Октябрьская магистраль / Газета октябрьской железной дороги. 2007. - №3 (43). С.

73. Помозов В.В., Семейкин Н.П. Георадар как универсальный поисковый прибор // Специальная техника. 2001. № 2. — с. 2-6.

74. Попов Э.Б. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. Москва: Наука, 1987.

75. Потемкин В.Г. Вычисления в среде Matlab // Учебно-справочное издание. М.: Диалог-МИФИ, 2004.-720с.

76. Потемкин В.Г. Вычисления в среде MATLAB. М.: ДИАЛОГ-МИФИ, 2004. - 720 с.

77. Пржиялковский В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации //СУБД. 1996. №4. С. 71-83.

78. Пьянников Д.А., Болондзь В.В. Практика применения метода подповерхностного георадиолокационного зондирования Восточно-Сибирской железной дороги.// Меж.-нар. науч.-практ. конф. «Инженерная геофизика 2006». Геленджик, 2006. С 70-72.

79. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы // Научное издание. Перс. С польск. И.Д. Рудковского.- М.: Горячая линия — Телеком, 2004. — 452 с.

80. Старовойтов А.В., Владов М.Л. Интерпретация данных георадиолокационных наблюдений. Разведка и охрана недр, 2001, №3.

81. Уоссерман Ф. Нейрокомпьютерная техника / Пер. на русский язык Ю. А. Зуев, В. А. Точенов. М.: Мир, 1992.

82. Явна В.А., Грицык В.И. и др. Проведение измерений и интерпретация георадиолокационной съемки земляного полотна с выдачей рекомендаций для проектов его усиления // Методические указания. Ростов-на-Дону: РГУПС, 2004г.