Модели и метод распознавания геоинформационных ситуаций в системах мониторинга территорий тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Краснова, Анастасия Ивановна

• Краснова, Анастасия Ивановна
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Краснова, Анастасия Ивановна

Перечень сокращений и обозначений.

Введение.

Глава 1. Анализ современного состояния вопроса распознавания геоинформационных ситуаций в системах охранного и природного мониторинга.

1.1. Принципы построения систем охранного и природного мониторинга.

1.2. Особенности организации многоуровневой обработки информации в системах мониторинга территорий.

1.3. Обобщенная модель процесса вторичной обработки информации в системах мониторинга территорий.

1.4. Модель влияния контекста внешних условий на информацию, используемую для распознавания геоинформационных ситуаций, и постановка задачи исследования.

Выводы по главе 1.

Глава 2. Разработка метода вторичного распознавания гсоннформациоппмх ситуаций на основе нечеткой искусственной нейронной сегн.

2.1. Обобщенная модель геоинформацнонных ситуаций на основе их вторичных информационных признаков.

2.1.1. Многоуровневое описание территориальных объектов с учетом контекста внешних условий.

2.1.2. Векторизованное многоуровневое описание территориальных объектов с учетом контекста внешних условий.

2.2. Построение функций принадлежности нечетких информационных признаков территориальных объектов на основе байесовского правила.

2.3. Метод вторичного распознавания геоинформационных ситуаций но нечеткой и неполной исходной информации.

2.4. Формирование описаний основных лингвистических переменных на примере территориального объекта линейного типа.

2.4.1. Описание лингвистической переменной «Структура территориального объекта».

2.4.2. Описание лингвистической переменной «Семантика территориального объекта».

2.4.3. Описание лингвистической переменной «Длина

4 территориального объекта».

Выводы по главе 2.

Глава 3. Разработка системы имитационного моделирования нечеткого распознавателя гсоииформациониых объектов и ситуаций.

3.1. Структура системы имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций.

3.2. Выбор архитектуры нечеткой искусственной нейронной сети для задачи распознавания территориальных объектов.

3.3. Построение контрастирующих функций активации нечетких искусственных нейронов.

3.4. Обобщенный алгоритм распознавания территориальных объектов на основе нечетких искусственных нейронных сетей.

3.5. Результаты оценки эффективности распознавания территориальных объектов на основе нечетких искусственных нейронных сетей с учетом контекста внешних условий.

3.6. Обобщенный алгоритм распознавания территориальных объектов с управляемой инвариантностью.

3.7. Результаты модельных экспериментов по оценке эффективности ^ распознавания территориальных объектов по инвариантным признакам, согласованным с контекстом внешних условий.

Выводы но главе 3.

Введение диссертации (часть автореферата) на тему «Модели и метод распознавания геоинформационных ситуаций в системах мониторинга территорий»

Вторичная обработка информации является основой многих современных автоматизированных систем управления различными техническими системами, в том числе систем мониторинга территорий, решающих задачи распознавания объектов и ситуаций обстановки для различных приложений, например, охранного мониторинга крупных промышленных предприятий или природоохранного мониторинга (охрана лесов от пожаров).

Современные автоматизированные системы мониторинга территорий представляют собой сложные технические комплексы, имеющие структурную (общая зона ответственности для нескольких технических комплексов средств наблюдения за обстановкой) и информационную (получение информации об объекте по совокупности независимых каналов различной физической природы) избыточность. Характерной особенностью такого вектора первичной информации является его непостоянство как по компонентному составу (количеству каналов поступления информации), так и качеству исходной для принятия решений информации (неполнота, нечеткость, а иногда и ее противоречивость) в процессе решения отдельных либо групповых практических задач.

Эффективность таких систем во многом определяется не только уровнем автоматизации управления избыточностью, но и, самое главное, качеством обработки информации, определяющим решение задачи оперативного обнаружения и классификации подвижных и неподвижных объектов по неполной, нечеткой и противоречивой информации, получаемой одновременно или в различное время от сосредоточенных или пространственно разнесенных источников различной физической природы (радиолокационные, оптические, тепловизионные, акустические, сейсмические и др.) в перекрываемых зонах их ответственности.

Вторичная обработка информации различного качества от разнородных источников для решения задач автоматического обнаружения и классификации одиночных и групповых географических объектов в интегрированных системах мониторинга территорий является актуальной научно-технической проблемой. Основная сложность се решения обусловлена отсутствием приемлемых для практического использования научно обоснованных подходов и методов комплексирования информации от разнородных источников с целью компенсации недостатка информации, получаемой от каждого источника в отдельности, при решении задач классификации подвижных или временно неподвижных объектов.

Общеизвестны и хорошо проработаны два подхода к построению «интеллектуальных» систем: искусственные нейронные сети (ИНС) и логико-лингвистические (продукционные) системы (ЛЛС). Преимущество использования ИНС заключается в большей (чем в случае использования ЛЛС) универсальности, т.е. в возможности достаточно простого расширения перечня источников информации, классифицируемых объектов и ситуаций. При этом появляется возможность классификации по многомерным данным различной физической природы, что практически трудно осуществимо (из-за сложности описания) с помощью ЛЛС. Важным достоинством систем классификации, построенных на основе ИНС, является неизменность архитектуры сети при расширении перечня объектов классификации с относительно простыми алгоритмами обучения сети, которое может быть выполнено конечным пользователем. Применение же ЛЛС при расширении перечня объектов классификации требует модификации базы знаний системы с привлечением ее разработчика.

Интеллектуальные системы классификации объектов и ситуаций обстановки на основе ИНС могут использоваться в широком диапазоне нечеткости, неполноты и противоречивости исходных данных. Они обеспечивают высокие значения вероятностей обнаружения-классификации одиночных и групповых географических объектов и ситуаций обстановки. Возможна их реализация как систем реального (близкого к реальному) времени.

Однако максимальная эффективность такого класса систем, в сильной степени зависит от многих факторов - архитектуры ИНС, алгоритмов обучения, способов комилексирования информации от разнородных источников, физики процессов ее нечеткости, неполноты, противоречивости, информационных признаков одиночных и групповых объектов и ситуаций обстановки и др.

Научная актуальность диссертационной работы обусловлена необходимостью развития теоретических основ решения прикладной проблемы: распознавания территориальных одиночных, групповых объектов и ситуаций обстановки по информации от разнородных источников, учитывающих все перечисленные выше влияющие факторы, для информационного обеспечения автоматизированных систем классификации и представления на электронных картах локальных ситуаций географической обстановки.

Объектом диссертационного исследования являются системы охранного и природного мониторинга. Предметом исследования - модели и методы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга.

Целью исследования является улучшение научно-методического аппарата обработки вторичной (картографической) информации об объектах мониторинга для повышения эффективности распознавания геоинформационных ситуаций.

Научная задача: разработка метода вторичного распознавания геоинформационных ситуаций (линейных и площадных объектов электронной карты) но нечеткой и неполной исходной информации.

Для достижения поставленной цели в работе решались следующие задачи:

1. Системный анализ проблемы распознавания геоинформационных ситуаций в системах охранного и природного мониторинга по нечеткой и неполной информации.

2. Разработка моделей геоинформационных ситуаций, ориентированных на автоматические методы их распознавания.

3. Разработка метода распознавания геоинформационных ситуаций но нечеткой и неполной исходной информации ио их вторичным информационным признакам.

4. Разработка системы имитационного моделирования нечеткого распознавателя геоинформационных ситуаций.

Методы исследования:

Методы системного анализа, основные положения теорий распознавания образов, искусственных нейронных сетей, систем ситуационного управления, систем искусственного интеллекта, принятия решений в нечетких задачах выбора, нечеткая логика, имитационное моделирование.

Научные результаты, выносимые на защиту:

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков.

2. Метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций.

Научная новизна диссертации заключается в том, что в ней разработана обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков с учетом контекста внешних условий и на ее основе предложен и исследован метод их вторичного распознавания по нечеткой и неполной исходной информации.

1. Обобщенная модель геоинформационных ситуаций на основе их вторичных информационных признаков отличается способом образования пространства этих признаков, сформированного в виде комбинации векторов, описывающих структурные свойства, их нечетких параметров и правил многоуровневого обобщения, что позволяет описывать геоинформационные ситуации произвольной сложности с учетом контекста внешних условий.

2. Метод вторичного распознавания геоинформационных ситуаций по нечеткой и неполной исходной информации на основе нечеткой искусственной нейронной сети отличается адаптацией функций принадлежности нечетких информационных признаков и их числа в соответствии с изменениями контекста внешних условий, что позволяет повысить качество распознавания.

3. Система имитационного моделирования нечеткого распознавателя геоинформационных объектов и ситуаций отличается аналитико-имитационным способом воспроизведения влияния контекста внешних условий на качество исходной для принятия решения информации и возможностью управления инвариантностью свойств распознающей схемы, что позволяет исследовать эффективность различных адаптивных алгоритмов распознавания территориальных объектов и способов их комплексирования в условиях, близких к реальным.

Достоверность сформулированных научных положений и выводов подтверждена результатами компьютерного моделирования и положительным опытом использования основных положений диссертации в НИОКР промышленности.

Практическая значимость. Разработанные в диссертации основные научные положения, рекомендации и алгоритмы являются научной базой для конструкторского проектирования систем мониторинга территорий, реализующих технологию нейросетевого распознавания геоинформационных ситуаций по их вторичным информационным признакам.

Апробация. Результаты диссертации докладывались на международных, республиканских, региональных, отраслевых и вузовских конференциях 20002005 г.г., в том числе: на международных конференциях «Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике» (Ульяновск, 2002), «Региональная информатика» (Санкт

Петербург, 2004, 2000), «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Гурзуф, 2002); международном симпозиуме «Интеллектуальные системы» (Москва, 2002); Всероссийских научно-технических конференциях «Нейроинформатика» (Москва, 2004, 2003), «Управление и информационные технологии» (Санкт-Петербург, 2005, 2003); Всеукраинской конференции «Нейросетевые технологии и их применение» (Краматорск, 2002); межрегиональной научной конференции студентов и аспирантов «Молодые исследователи - региону» (Вологда, 2002); межвузовской научно-технической конференции «Военная радиоэлектроника: опыт использования и проблемы подготовки специалистов» (Петродворец, 2003).

Результаты диссертации внедрены в НИОКР следующих организаций и предприятий: Федеральное государственное унитарное предприятие научно-исследовательский институт «Вектор» (ФГУП НИИ «Вектор»), Федеральное государственное унитарное предприятие «Государственный научно-исследовательский институт прикладных проблем» (ФГУП ГосНИИ ПП), ОАО «Научно-исследовательский институт вычислительных средств «Спектр» холдинговой компании «Ленинец»», Государственный научно-исследовательский институт моделирования и интеллектуализации сложных систем (ГосНИИ ИМИСС), а также в учебный процесс Санкт-Петербургского электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина).

Публикации. По теме диссертации опубликовано 15 научных работ, из них - 8 научных статей и тезисы к 7-ми докладам на международных научно-технических конференциях.

Структура и объем работы. Диссертация состоит из введения, 3 глав с выводами, заключения, списка использованной литературы, включающего 111 наименований, и приложения. Основная часть диссертации изложена на 121 странице машинописного текста. Работа содержит 29 рисунков и 3 таблицы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Краснова, Анастасия Ивановна

Основные результаты работы состоят в следующем.

Теоретико-методологические результаты:

Разработаны метод вторичного распознавания геоинформационных ситуаций на основе ИНС и метод построения функций принадлежности нечетких информационных признаков на основе байесовского правила и управления инвариантными свойствами эталонов территориальных объектов в зависимости от контекста внешних условий.

Инструментальные результаты:

Разработаны новые средства (модели, алгоритмы) для распознавания однослойных и многослойных моделей оперативной обстановки (территориальных объектов) по неполной и нечеткой исходной информации.

Экспериментальные и прикладные результаты:

На практическом материале проверена конструктивность идей и инженерная пригодность технологии нейросетевой классификации территориальных объектов и алгоритмов их отождествления.

Осуществлено внедрение основных положений теории, практики и выводов диссертационной работы в НИОКР промышленности, научные организации МО РФ и в учебный процесс двух вузов.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Краснова, Анастасия Ивановна, 2005 год

1. Авалиани Г.В. Эвристические методы в распознавании образов. -Тбилиси: Мецниереба, 1988.-75 с.

2. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: Юнити, 1998. - 1023 с.

3. Айзерман М.А., Браверман Э.И., Розоноэр Л.И. Метод потенциальныхфункций в задачах обучения машин. М.: Наука, 1970.

4. Андрейчиков А.В, Андрейчикова О.Н. Анализ, синтез, планирование вэкономике. М: Финансы и статистика, 2002. - 368 с.

5. Бакут П.А., Жулина Ю.В., Иванчук H.A. Обнаружение движущихсяобъектов. / Под ред. П.А. Бакута. М.: Советское радио, 1980.

6. Берлянт A.M. Геоиконика. М.: Астрея, 1996,208 с.

7. Бондаренко Н.И. Методология системного подхода к решению проблем.1. СПб.: СПбУЭиФ, 1997.

8. Васильев В.И. Распознающие системы. Справочник. Киев: Наукова думка, 1983.-422 с.

9. Ватанабэ С. и др. Оценка и отбор параметров в задачах распознавания. //Автоматический анализ сложных изображений. М.: Мир, 1969. -стр. 276-295.

10. Вентцель Е.С. Теория вероятностей: Учебник/4-е изд., стереотип. М.: Наука, 1969.-576 с.

11. Вентцель Е.С. Теория вероятностей и её инженерные приложения. М.: Высшая школа, 2000. - 480 с.

12. Верхаген К., Дёйн Р., Грун Ф. и др. Распознавание образов: Состояние и перспективы. М.: Радио и связь, 1985. - 104 с.

13. Гайдышев И. Анализ и обработка данных: Специальный справочник. -СПб: Питер, 2001. 752 с.

14. ГасфилдД. Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология. СПб.: Невский диалект; БХВ-Петербург, 2003. - 654 с.

15. ГеппенерВ.В. Математическое обеспечение многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности. // Диссертация на соискание ученой степени доктора технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2003 г.

16. ГилморДж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей. // Техническая кибернетика, № 5, 1994, стр. 93-96.

17. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.-479 с.

18. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Основные определения и модели.//Техническая кибернетика, №5, 1994, стр. 79-92.

19. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1989.-232 с.

20. Горелик А.Л., Скрипкин В.А. Построение систем распознавания. М.: Советское радио, 1974. - 224 с.

21. Горелик А.Л. и др. Селекция и распознавание на основе локационной информации. М.: Радио и связь, 1990. - 240 с.

22. Горский Н., Анисимов В., Горская Л. Распознавание рукописного текста: От теории к практике. СПб.: Политехника, 1997. - 126 с.

23. Гультяев А. Визуальное моделирование в среде МАТЬАВ: Учебный курс. / Под ред. Усманова В. СПб: Питер, 2000.

24. Дорогов А.Ю. Нечеткий нейрон с контрастирующей функцией активации. // Сборник научных трудов V Всероссийской научно-технической конференции «Нейроинформатика-2003», Москва. / Научная секция МИФИ-2003. Часть 1. М.: МИФИ, 2003 г. - стр. 55-60.

25. Дорогов А.Ю. Нейросетевая аппроксимация регулярных фракталов. // Сборник докладов международной конференции по мягким вычислениям 5СМ'2002, Санкт-Петербург, 25-27 июня 2002 г. Том 1. -СПб.: СПбГЭТУ «ЛЭТИ», 2002 г. стр. 74-79.

26. Дорогов А.Ю., Краснова А.И., Яшин А.И. Применение нечетких нейронных сетей для распознавания вероятностных образов. // Сборник научных трудов V Всероссийской научно-технической конференции

27. Нейроинформатика-2003», Москва. /Научная секция МИФИ-2003. Часть 1. М.: МИФИ, 2003 г. - стр. 61-67.

28. ДороговАЛО., Краснова А.И., ЛшинА.И. Нечеткая классификация вероятностных образов. // Труды Всеукраинской конференции «Нейросетевые технологии и их применение», 4-5 декабря 2002 года. -Краматорск: Изд-во ДГМА, 2002 г.

29. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2000. - 352 с.

30. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

31. Дьяконов В.П. MATLAB 6/6.1/6.5 + SIMULINK 4/5: Основы применения. Полное руководство пользователя. М.: СОЛОН-Пресс. - 2002. - 768 с.

32. Жукова А.И., Рог А.И., Степанян H.A. Использование методов математической статистики в медико-биологических исследованиях. -Воронеж: ВГТУ. 196 с.

33. Информационно-управляющие человеко-машинные системы: Исследование, проектирование, испытания: Справочник / А.Н. Адаменко,

34. A.Т. Ашеров, И.Л. Бердников, и др.; Под общ. ред. А.И. Губинского и

35. B.Г. Евграфова. М.: Машиностроение, 1993. - 528 с.

36. Искусственный интеллект. В 3-х кн. Справочник. Под ред. Д.А. Поспелова. М.: Радио и связь, 1990.

37. Каллан Р. Основные концепции нейронных сетей. СПб.: Вильяме, 2001. -288 с.

38. Кофман А. Введение в теорию нечётких множеств. М.: Радио и связь, 1982.-432 с.

39. Краснова А.И., Раков И.В., Яшин А.И. Метод распознавания сложных ситуаций с учетом качества условий принятия решений. // Материалы V Международного симпозиума «Интеллектуальные системы», 02-04 июля 2002 года. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002 г.

40. Краснова А.И. Метод логического вывода при разрешении нечетких проблемных ситуаций. // VIII Санкт-Петербургская международная конференция «Региональная информатика 2000» («РИ-2000»): Тезисы докладов. - СПб, 2001 г.

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

42. Левин JI.JI. Введение в теорию распознавания образов. Томск, 1982.

43. Лурье И.К. Основы геоинформатики и создание ГИС. / Дистанционное зондирование и географические информационные системы. М.: Инэкс, 2002.

44. Макаренко Н.Г. Фракталы, аттракторы, нейронные сети и прочее. // Материалы IV Всероссийской научно-технической конференции «Нейроинформатика-2002», 23-25 января 2002 г., Москва. / Лекции по нейроинформатике. Часть 2. М.: МИФИ, 2002 г. - стр. 136-169.

45. Мартыненко A.A. Три периода развития военной картографии: разработка новых концепций и технологий. // Геодезия и картография. -1996. №7.-с. 44-47.

46. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

47. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник. / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.-744 с.

48. Мкртчян С.О. Нейроны и нейронные сети. Введение в теорию формальных нейронов и нейронных сетей. М.: Энергия, 1971. - 232 с.

49. Мосалёв В. Системы дистанционного наблюдения за полем боя на базе разведывательно-сигнализационных приборов. // Общие Военные проблемы «Зарубежное военное обозрение». - М.: 2000, № 2.

50. Мосалёв В. Средства охраны ВС США и перспективы их развития. // «Зарубежное военное обозрение». М.: 2001, № 3-4.

51. Нейроинформатика. / Горбань А.Н., Дудин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука, Сибирское отделение РАН, 1998. - 296 с.

52. Нечёткие множества и теория возможностей. Последние достижения. Пер. с англ./Под ред. Рональда Р.Ягера. М.: Радио и связь, 1986. -408 с.

53. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.-206 с.

54. Оссовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

55. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, Гл. ред. физ.-мат. лит., 1986.-288 с.

56. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981.-232 с.

57. Прикладная статистика: Классификация и снижение размерности: Справочное издание. / Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. - 607 с.

58. Прикладная статистика: Исследование зависимостей: Справочное издание./Под ред. С.А.Айвазяна. М.: Финансы и статистика, 1985. -487 с.

59. Прикладные нечёткие системы. / Под ред. Т. Тэрано, М. Сугэно. М: Мир, 1993.-368 с.

60. Раков И.В., Яшин А.И. Принципы обработки нечёткой информации в распределённых геоинформационных системах. // Тезисы докладов VII международной конференции «Региональная информатика 2000», Санкт-Петербург, 2000 г.

61. Ротштейн А.П. Интеллектуальные технологии идентификации: нечёткие множества, генетические алгоритмы, нейронные сети. Винница: Универсум - Винница, 1999. - 320 с.

62. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия -Телеком, 2004. - 452 с.

63. Сигорский В.П. Математический аппарат инженера. Киев: Техника, 1975.-768 с.

64. Сигел Э. Практическая бизнес-статистика. М.: Издательский дом «Вильяме», 2002. - 1056 с.

65. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1985.-271 с.

66. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия, 1971. -424 с.

67. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления. // Теория и системы управления, №3, 1996, стр. 70-79.

68. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Искусственные нейронные сети и их применение в системах автоматического управления: Учебное пособие. СПб.: ГЭТУ, 1997. - 64 с.

69. Тимчук H.A. Разработка и исследование двухуровневых адаптивно-нейронных систем управления динамическими объектами. // Диссертация на соискание ученой степени кандидата технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2002 г.

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

71. Тюкин И.Ю. Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности. // Диссертация на соискание ученой степени кандидата технических наук. СПб.: СПбГЭТУ «ЛЭТИ», 2001 г.

72. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютере. / Под ред. В.Э. Фигурнова. М.: Инфра-М, Финансы и статистика, 1995.

73. Уоссермен Ф. НсГфокомпыотсрная техника: Теория и практика. / Под ред. Л.И. Галушкина. М.: Мир, 1992. - 238 с.

74. Цветков В.Я. Геоинформационные системы и технологии. М.: Финансы и статистика, 1998.

75. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 184 с.

76. Шикин Е.В., Чхартишвили А.Г. Математические методы в управлении. -М.: Дело, 2002.-440 с.

77. Щербаков А.П. Быстрая идентификация зрительных образов в произвольном положении. Пространство признаков.

78. Щербаков А.П. Быстродействующий алгоритм вычисления местоположения, угла поворота и размера объекта-образца на двумерной зрительной сцене. / Цифровая обработка сигналов, 2004.

79. ЯрушкинаН.Г. Основы теории нечетких и гибридных систем: Учебное пособие. М.: Финансы и статистика, 2004. - 320 с.

80. Яшин А.И. Геоинформационные системы и технологии: Учебное пособие. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2002. - 67 с.

81. Anderson J.R., Hardy Е.Е., Roach J.T., Witmer R.E. A Land Use and Land Over Classification for Use with Remote Sensor Data. Geological Survey Professional Paper 964, U.S. Geological Survey Washington, D.C.: U.S. Government Printing Office.

82. Anquettil E., Lorette G. On-line Handwriting Character Recognition System Based in Hierarchical Qualitative Fuzzy Modeling. Proc. of the Fifth Int. Workshop on Frontiers in Handwriting Recognition, University of Essex, England, 1996, pp. 47-53.

83. Burrough P.A., McDonnell R.A. Principles of Geographical Information Systems. Oxford University Press. 1998. 333 pp.

84. Chawla S., Shekhar S. Spatial Databases: A Tour. New Jersey, 2002.

85. DeMers N. Michael Fundamentals of Geographic Information Systems. New Mexico State University, 1998.

86. Document Image Analysis. Eds. O'Gorman L., Kasturi R. N.Y.: IEEE Computer Society Press, 1995.

87. Fedorowicz J., Williams G.B. Representing Modeling Knowledge in an Intelligent Decision Support System. // Decision Support System. 1986, № 2, pp. 3-14.

88. Trier O., Jain A.K., TaxtT. Feature Extraction Methods for Character Recognition A Survey. Pattern Recognition, 1996. Vol.29, №4, pp. 641662.

89. Отчет о научно-исследовательской работе по теме «Разработка программных средств поиска, накопления и обработки информации ов новых достижениях науки и техники». Шифр «Виолончель-ИМИСС-2»срок окончания 15.09.2004 г.). - СПб.: ИМИСС, 2004 г.