Разработка и исследование метода представления знаний о пространственных ситуациях с контекстными преобразованиями тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Зубков Сергей Александрович

• Зубков Сергей Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Зубков Сергей Александрович

ВВЕДЕНИЕ

1. МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ДЛЯ АНАЛИЗА СИТУАЦИЙ В ЗАДАННОМ КОНТЕКСТЕ

1.1 Пространственные ситуации в описании прикладных информационных процессов и структур

1.2 Когнитивная семантика и образное мышление. Когнитивные модели знаний

1.3 Контексты представления знаний о ситуациях

1.4 Методы машинного обучения в представлении и использовании пространственных ситуаций

1.5 Прецедентный анализ пространственных ситуаций

1.6 Сравнительный анализ моделей представления знаний

1.7 Выводы по разделу и задачи диссертационного исследования

2 РАЗРАБОТКА МОДЕЛИ ОБРАЗА СИТУАЦИИ С ВНУТРИКОНТЕКСТНЫМИ ПРЕОБРАЗОВАНИЯМИ

2.1 Концепция образа ситуации в заданном контексте

2.2 Анализ представления знаний образами

2.3 Оценка качества отображения контекстного смысла преобразований

2.4 Логика сопоставления образов

2.5 Задача синтеза образа в заданной системе контекстов

2.5.1 Контроль контекстной визуализации

2.5.2 Ограничения контекстного картографирования

2.5.3 Ограничения корректности базы знаний

2.6 Синтез и использование образных рядов

2.7 Выводы по разделу

3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ ТРАНСФОРМИРОВАНИЯ ОБРАЗОВ

3.1 Задача трансформирования образов в ситуационном анализе

3.2 Анализ подходов к трансформированию образов

3.3 Разработка метода трансформирования в классе допустимого преобразования

3.4 Реализация алгоритмов трансформирования

3.5 Разработка методики представления знаний о трансформировании

3.5.1 Картографическое зонирование как концептуальная форма знаний

3.5.2 Отношения между зонами применения и аргументация сопоставления образов

3.6 Выводы по разделу

4 ПРИМЕНЕНИЕ ОБРАЗНОГО ПРЕДСТАВЛЕНИЯ С КОНТЕКСТНЫМИ ПРЕОБРАЗОВАНИЯ ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ

4.1 Ситуационный анализ логистических проектов

4.2 Интеллектуальное реконфигурирование и предотвращение аварийных ситуаций в механических транспортных системах

4.3 Выводы по разделу

5 ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка и исследование метода представления знаний о пространственных ситуациях с контекстными преобразованиями»

ВВЕДЕНИЕ

Актуальность темы исследования. Разработка и исследование моделей представления знаний о пространственных объектах и ситуациях актуально по причине усложнения задач ситуационного анализа и принятия решений в плохо структурированных предметных областях. Примерами являются планирование и реализация цепей поставок, транспортная и производственная логистика, оперативное устранение чрезвычайных ситуаций, сценарное планирование сельскохозяйственного производства, защита природных ресурсов и ряд других. Неточность и возможная несогласованность пространственно-временных данных, неоднозначность идентификации объектов средствами дистанционного зондирования, многомерность моделей, описывающих процессы и явления реального мира создают объективные трудности выработки и реализации адекватных решений в проблемных ситуациях. Большую роль играет контекст анализа проблемы, нарушение границ которого создает опасность синтеза бессмысленных решений и прогнозов. Важным инструментом анализа и принятия решений являются геоинформационные системы (ГИС). Информационная основа ГИС обладает богатым содержанием, позволяющим эффективно решать задачи пространственного анализа и синтеза, однако проблема достижения требуемой достоверности получаемых результатов остается нерешенной. Под достоверностью понимается согласованность результата с состоянием внешнего мира. Причина в его динамичности. Непрерывные изменения окружающей среды отрицательно влияют на соответствие прогнозов и решений, полученных на моделях. Несмотря на наличие разнообразных моделей представления знаний для интеллектуальных систем, проблема адекватности отображения опыта решения пространственных задач остается нерешенной. Это также определяет актуальность исследований в области описания знаний геоинформационными моделями.

Степень разработанности темы исследования. Проблеме поиска адекватных форм представления знаний о пространственных ситуациях посвящены многие работы отечественных и зарубежных ученых. К ним следует отнести, например, труды Поспелова Д.А., Кузнецова О.П., Гавриловой Т.А., Воронцова К. В.,

Маккарти Д., Мински М., Нариньяни А.С., Норвига П. и других в области универсальных моделей представления знаний, труды Shekar S., Chawla S., Longley P. A., Бондур В.Г., Савиных В.П., Цветкова В.Я., Maguire D.J., Keim D.A., Taylor F. в области организации интеллектуальных ГИС, а также работы Вагина В.Н., Ларичева О.И., Попова Э.В., Петровского А.Б., Берштейна Л.С. и других, направленные на решение проблем выработки решений в условиях неопределенности. Несмотря на достигнутые результаты, малоисследованным остается вопрос повышения достоверности информационного моделирования проблемных пространственных ситуаций и повторного применения синтезированных решений за счет интеграции аналитического опыта оценки ситуаций с их геоинформационными моделями.

Предметом исследования являются модели и методы преобразования в знания пространственных и экспертных данных о принятии решений в слабоструктурированных пространственных ситуациях.

Объектом исследования является метод представления знаний о пространственной ситуации с контекстными преобразованиями.

Целью настоящего исследования является создание модели представления знаний о пространственных ситуациях, которая сочетает прецедент реально наблюдавшегося события или явления с аналитическим опытом экспертной оценки допустимых преобразований ситуации, сохраняющих суть принятых решений.

Научной задачей данной работы является повышение эффективности представления и использования знаний о пространственных ситуациях в заданном контексте. Для решения данной задачи в диссертационной работе решаются следующие подзадачи:

1) анализ современных средств представления знаний, описывающих пространственные ситуации, информационные модели контекста. Особое внимание уделяется методам когнитивной семантики, машинного обучения и прецедентного анализа;

2) разработка концепции описания образа пространственной ситуации с контекстными преобразованиями, формального представления модели знаний;

3) анализ свойств модели представления знаний, операции сопоставления образов, процедуры трансформирования образов;

4) исследование функций трансформирования образов, информационной модели зоны применимости образа;

5) исследование логики аргументации для выработки суждений на основе знаний о пространственных ситуациях с контекстными преобразованиями.

Научная новизна полученных результатов:

1) предложена модель представления знаний в виде образа, состоящего из двух компонентов - центра образа и контекстных преобразований центра, сохраняющих смысл образа. В отличие от известных, модель образа включает в себя прецедент пространственной ситуации и не менее одного допустимого контекстного преобразования, которое, по мнению эксперта, сохраняет суть ситуации. Применение модели образа позволяет повысить достоверность представления эмпирического знания за счет объединения в единое целое наблюдаемых прецедентов и аналитического опыта их использования в решении слабоструктурированных задач;

2) предложен метод контекстного сопоставления образов, использующий, в отличие от принятых в прецедентном анализе мер близости ситуаций, логику классификации взаимного расположения центров ситуаций и их допустимых преобразований в пространстве прецедентов. Метод позволяет снизить неопределенность оценки близости за счет учета локальной топологии ситуации и заложенных в допустимые преобразования обобщений;

3) предложен метод трансформирования образа в заданную область пространства прецедентов. В отличие от известных методов переноса опыта на проблемные ситуации, предложенный подход использует отображение картографических объектов допустимых преобразований в заданную область карты геоинформационной системы. Это позволило повысить достоверность переноса опыта за счет учета топологии целевой области ситуационного анализа;

4) предложен метод логической аргументации решений, принимаемых при пространственном ситуационном анализе, отличающийся использованием картографических зон применимости образов. Использование метода дает возможность повысить достоверность принятия решений за счет применения логики высказываний, определяемых отношениями наследования, агрегирования, композиции и ассоциации зон применимости образов.

Практическая ценность результатов исследований заключается в дальнейшем совершенствовании современной технологии применения знаний для решения трудно формализуемых задач в плохо структурированных предметных областях. Предложенный метод представления знаний о пространственных ситуациях с контекстными преобразованиями может использоваться при разработке перспективных ГИС и других интеллектуальных систем, использующих пространственные данные.

Методы исследования используют методологию проектирования интеллектуальных систем, теорию искусственного интеллекта, методы пространственного и прецедентного анализа, дискретного анализа и математической логики.

Основные положения, выносимые на защиту:

1) модель представления знаний о пространственных ситуациях с контекстными преобразованиями;

2) метод сопоставления образов ситуаций;

3) метод трансформирования образа в заданную область пространства прецедентов;

4) метод логической аргументации решений с использованием предложенной модели знаний.

Личный вклад автора. Все представленные в диссертации результаты получены автором лично.

Достоверность подтверждается корректным применением математического аппарата, результатами экспериментального применения в логистике и системах предотвращения аварийных ситуаций и реконфигурирования транспортных систем.

Внедрение и использование результатов. Научные результаты работы использованы в научно-исследовательской работе «Методы и средства принятия решений на основе динамических геоинформационных моделей», (тема №2.918.2017/ПЧ), выполненной в НТЦ «Интех» Южного федерального университета, при выполнении гранта РФФИ №215-01-00149 «Методы интеллектуальной визуализации пространственно-временных объектов и отношений для принятия решений на основе опыта».

Апробация работы. Результаты исследований представлялись и обсуждались на следующих конференциях и симпозиумах:

- научно-техническая конференция с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование» (ИСУЖТ-2016), Москва.

- IV International research conference "Information technologies in Science, Management, Social sphere and Medicine" (ITSMSSM 2017), 2017, Tomsk, Russia

- 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY), Subotica, Serbia

- международная конференция по мягким вычислениям и измерениям Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина) (Санкт-Петербург), 2018

- 2018 the International Conference on Geoinformatics and Data Analysis, ICGDA 2018, Workshop 2018 the International Conference on Software and Services Engineering, ICSSE 2018, Prague, Czech Republic

- 8th International Conference on Simulation and Modeling Methodologies, Technologies and Applications, 2018, in Porto, Portugal

- II International Scientific and Practical Conference "Fuzzy Technologies in the Industry - FTI 2019, Ulyanovsk, Russia.

Публикации. Результаты исследования опубликованы в 11 печатных работах, среди которых 2 опубликованы в изданиях, рекомендованных ВАК РФ, 4 работы - в изданиях, индексируемых в библиографической базе данных Scopus, 2 работы - в изданиях, индексируемых в базе РИНЦ, 3 свидетельства об официальной

регистрации программы для ЭВМ:

1. Беляков С.Л., Боженюк А.В., Зубков С.А. Метод интеллектуального управления процессом интерактивного изучения пространственных данных для принятия решений || Информационные технологии. 2020. Т. 26. № 7. С. 394-402. DOI: 10.17587/it.26.394-402 (ведущий рецензируемый журнал, входит в перечень ВАК).

2. Беляков С.Л., Белякова М.Л., Зубков С.А., Голова Н.А., Яворчук К.С. Трансформирование опыта принятия решений в пространственных ситуациях || Известия ЮФУ. Технические науки. 2020. № 5 (215). С. 159-171 DOI: 10.18522/23113103-2020-5-159-171 (рецензируемый журнал, входит в перечень ВАК).

3. Belyakov S., Bozhenyuk A., Belyakova M., Zubkov S. Knowledge Discovery for Interactive Dialogue Management with Geoinformation Service // В сборнике: SIM-ULTECH 2018 - Proceedings of 8th International Conference on Simulation and Modeling Methodologies, Technologies and Applications. 8. 2018. С. 435-442. DOI: 10.5220/0006836504350442. (научное рецензируемое издание, индексируемое в базе Scopus).

4. Belyakov S., Bozhenyuk A., Belyakova M., Zubkov S. Models experience presentation for logistics projects implementation based on geoinformation models // ACM International Conference Proceeding Series, 2018, pp. 108-112. DOI: 10.1145/3220228.3220239 (научное рецензируемое издание, индексируемое в базе Scopus).

5. Belyakov S., Savelyeva M., Belyakova M., Zubkov S. Intellectual visualization of complex maps and schemes // SISY 2017 - IEEE 15th International Symposium on Intelligent Systems and Informatics, Proceedings, 2017, pp. 303-308, 8080572. (DOI: 10.1109/SISY.2017.8080572). (научное рецензируемое издание, индексируемое в базе Scopus).

6. Belyakov S.L., Bozhenyuk A.V., Belyakova M.L., Zubkov S.A. Case based reasoning in intelligent geographic information systems for the management of logistics projects // CEUR Workshop Proceedings, 2018, Vol.2258, pp. 1-10. (научное рецензируемое издание, индексируемое в базе Scopus).

7. Беляков С.Л., Боженюк А.В., Зубков С.А. Нечеткая геоинформационная модель прецедента для оценки решений в логистике // Международная конференция по мягким вычислениям и измерениям.- Изд-во Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В.И. Ульянова (Ленина) (Санкт-Петербург), Том: 2 Год: 2018. С. 38-41 (научное рецензируемое издание, индексируемое в базе РИНЦ).

8. Самойлов Л.К., Залилов Э.Ф., Белякова М.Л., Зубков С.А. Применение защитного контекста в процессе ситуационного анализа. Наука и технологии железных дорог, Том: 4 Год: 2020 С. 84-93 (научное рецензируемое издание, индексируемое в базе РИНЦ).

9. Беляков С.Л., Боженюк А.В., Белякова М.Л., Зубков С.А. Контроллер структуры темпорального графа транспортной сети. - Свидетельство об официальной регистрации программы для ЭВМ № 2017662675, рег. 15.09.2017.

10.Духин С.В., Зубков С.А., Пронин Д.В., Федорец Д.А., Черномаз Г.И. Программа для планирования инновационного развития единой системы управления высокоскоростным и скоростным движением. - Свидетельство об официальной регистрации программы для ЭВМ № 2018615503, рег. 08.05.2018.

11.Духин С.В., Зубков С.А., Полетаев В.В., Пронин Д.В., Черномаз Г.И. Программа мониторинга финансовой деятельности единой системы управления высокоскоростным и скоростным движением. - Свидетельство об официальной регистрации программы для ЭВМ № 2018615555, рег. 10.05.2018.

В совместных публикациях автором получены следующие результаты: в [1,5] - модель образа пространственной ситуации с контекстными преобразованиями, принцип трансформирования образа; в [2,4] - методика синтеза образов и свойства функции трансформирования, принцип сопоставления образов [3,8] - метод контекстного сопоставления образов, правила аргументации в зонированной карте; [6,7] - методика построения базы знаний образов и логический вывод над базой образов; [9-11] - реализация принципов контекстного сопоставления образов.

Объем и структура работы. Диссертационная работа включает в себя введение, 4 главы, заключение и список использованных источников из 139 наименований общим объемом 145 страниц. В приложении приведены акты внедрения результатов работы.

1. МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ДЛЯ АНАЛИЗА СИТУАЦИЙ В ЗАДАННОМ КОНТЕКСТЕ

1.1 Пространственные ситуации в описании прикладных информационных процессов и структур

Считается, что значительная часть информации, обрабатываемой современными информационными системами, имеет пространственную привязку [1]. Это означает, что пользователи информационных систем и сервисов в процессе решения прикладных задач явно либо неявно используют пространственное положение объектов и пространственные отношения между ними. Примером явного использования можно считать обращение к геоинформационным сервисам, предоставляемым крупными интернет-порталами Google, Yandex, Mail. Неявным использованием считается, например, обращение программ мобильных устройств к средствам пространственной локации и навигации, которые входят в состав операционной системы.

Уже первые работы в области искусственного интеллекта затрагивали проблемы представления модели внешнего мира через концепцию ситуаций [2]. Данная работа предлагала подход, основанный на применении логики. В частности, описано специальное исчисление, в котором под ситуацией понималась логическая формула, описывавшая элемент мира. Методы и средства представления информации и знаний о пространстве, времени и семантике реальных объектов, событий и явлений продолжают оставаться в центре внимания разработчиков и исследователей. С нашей точки зрения, это объясняется несколькими причинами: 1) усложнением задач, которые должны решаться с применением интеллектуальных компонентов, которые оперируют пространственными категориями. Например, для управления цепями поставок далеко недостаточно «разумно» определять наилучший путь по карте местности. Не менее важно «разумно» построить план взаимодействия поставщиков и потребителей по ходу транспортировки, если возникли некоторые непредвиденные события. При этом решение должно приниматься с учетом текущего местоположения всех участников процесса;

2) возрастанием роли опыта и знаний, извлекаемых из больших объемов эмпирических данных (Big Data). Реальный мир труднопредсказуем, поэтому стремление получить более точные прогнозы его состояния требует привлечения большего объема знаний. Результаты, полученные в последние годы в практике использования машинного обучения для обработки больших данных, показали высокий потенциал систем добычи знаний. При этом методы использования добытых знаний относительно самостоятельны, а их исследование представляет собой самостоятельную задачу;

3) недостаточной достоверностью решений, принимаемых на основе пространственных данных, которые отражают меняющийся мир. Эта причина объективно обусловлена наблюдением и измерением, с помощью которых получают геопространственные данные. То, что информация не может в точности соответствовать действительности, не вызывает сомнений. Тогда возникают вопросы о том, а насколько серьезно это рассогласование и в какой степени можно доверять выводам, основывающимся на заведомо неполных, неточных и неоднозначных данных;

4) неопределенностью процедуры переноса знаний, обладающих пространственной локализацией. Задача состоит в том, чтобы применять знания, полученные в одном месте, к ситуациям другой пространственной области. Очевидно, что знания, перегруженные «подробностями» строения местности, невозможно применить к аналогичной ситуации в другой местности. Чтобы это сделать, следует «ослабить» привязку, внести определенное обобщение. Эта задача не решена;

5) необходимостью совершенствования процедур визуального анализа карт, схем и планов земной поверхности. Визуальный анализ является мощным средством решения трудно формализуемых задач и получения фундаментальных знаний, однако его реализация во многом осложняется избыточностью картографической информации. Разумный отбор сведений, полезных для анализа, представляет собой задачу, связанную с представлением знаний о полезных изображениях изучаемых ситуаций;

6) повышением требований к смысловому содержанию представляемых пользователю пространственных данных. Трудно определяемое в общем случае понятие «смысл» имеет интуитивно понятную для аналитиков интерпретацию в конкретных прикладных областях. Возможность находить одинаковые по смыслу ситуации, манипулировать рядами близких по смыслу ситуаций, строить рассуждения на основе узко понимаемого смысла играет важную роль в практических приложениях поисковых и аналитических систем.

Использование понятия пространственной ситуации помогает не только структурировать знание, но и специальным образом формулировать задачи по добыче (knowledge mining) и применению знаний для принятия решений (decision making). Как показал анализ научных публикаций, на сегодняшний день существует множество разнообразных определений и трактовок понятия «ситуация». Например, в классической работе [3] «текущая ситуация» определялась как совокупность сведений о структуре объекта управления и его функционирования в данный момент времени. Использовать данное определение вне контекста ситуационного управления невозможно, поэтому рассмотрим формальное определение пространственной ситуации, которое будет использоваться в последующем изложении.

Пусть < X ,Y, Z > - декартовы координаты, а A - множество атрибутивных данных, которые могут связываться с пространственными сущностями. Тогда множество информационных моделей пространственных сущностей E является отображением

X х Y х Z х A ^ E.

Множеством пространственных ситуаций будем называть множество, полученное отображением

Em ^ S, Em с E,0 < m <| E |. (1.1)

Любая sn е S есть ситуация, представленная подмножеством пространственных объектов. Существенным является то, что любая прикладная интеллектуальная система оперирует относительно небольшим набором ситуаций, т.е.

| Ет |>>| 5 |,0 < т <| Е |.

Данная особенность связана с наличием у ситуаций смысла - свойства, которое неформально и играет важнейшую роль в имитации разумного поведения технической системы. Классические теоретико-множественные операции и применяемые к ним формальные рассуждения [4] не предусматривают осмысленности действий над ситуациями. В то же время, при работе реальных систем возникают аномалии принятия решений. Примером могут быть задачи:

(1) распознавания (классификации) ситуаций, когда анализируемой ситуации

Е 5 сопоставляется вектор значений функций принадлежности дс (яп) к /-му классу (М - число классов)

ДОп ) = (Дс1 (яп ),Мс2 (бп ),..-Мсм (Бп )) , и требуется принимать «разумное» решение об отнесении ситуации в точности к одному из классов. Обозначим результат классификации через (яп , сг ). Аномалия возникает, когда находится некоторая пара классифицированных ситуаций (яа, сг ) и (^, сч ), формально относящихся к разным классам

3а, Е 5, сг ^ сц • сг, сц Е С,

хотя со смысловой точки зрения это не так. Обозначим смысловую эквивалентность ситуаций как

Можно предположить, что аномалия может быть устранена, а качество работы классификатора повысится, если будет учтено смысловое различие между ситуациями;

(и) ранжирования (упорядочения) ситуаций. Задача состоит в том, чтобы, задав отношение предпочтения ^ | , Е 5,

построить последовательность длины и из подмножества 5' элементов

5' с 5 ,| 5 '|= и.

Как и в предыдущем случае, аномальное ранжирование возникает, когда формальная истинность отношения для пары ситуаций

ложна со смысловой точки зрения, т.е. должно иметь место соотношение

Причиной такой аномалии следует считать отсутствие данных о некоторых допустимых вариациях заданного отношения;

(ш) поиска ситуаций с заданными свойствами либо оценка близости ситуаций. Такая задача требует использования метрики расстояния между ситуациями

Л =11 * -II.

Кажется вполне естественным, что изменения свойств ситуаций приводят к изменению расстояния. Однако, изменчивость и неоднозначность пространственных ситуаций может приводить к недостоверной оценке расстояния. Дополнительная информация о существенности изменения свойств и сохранении смысла рассматриваемой ситуации должна позволить избежать подобной аномалии;

(ии) обобщения в новой ситуации свойств заданного множества известных:

Задача заключается в том, чтобы в заданной области пространства построить новую ситуацию япем, сохраняющую смысл множества исходных заданных ситуаций . С формальной точки зрения, решений у такой задачи чрезвычайно много. Но очень незначительная часть из них наполнена смыслом. Аномалия потери достоверности решения обусловлена отсутствием знаний о сущности ситуаций.

Проблемы наполнения информационных объектов смыслом традиционно решаются с помощью концепции контекстов. В академическом смысле контекст рассматривается как «... отдельное рассуждение, фрагмент научной теории или теории в целом.» Контекст придает некоторое «добавочное» значение словам и предложениям текстов, способен существенно изменять их исходное семантическое значение [5]. Контекст как информационная структура оказывает существенное

влияние на работу интеллектуальных систем. Контекст диктует определенную линию поведения интеллектуальной системы, ее реакции на внешние воздействия. В различных контекстах эта реакция различна.

С технической точки зрения, ни одна искусственная система не в состоянии включить в себя все базовые представления о мире. То, что человек способен накапливать и пользоваться обширным набором базовых представлений, принципиально отличает естественный и искусственный интеллект. Однако в обоих случаях картина мира ограничена, что заставляет использовать термин «контекст» как обозначение области, в которой реализуется разумное поведение. В частности, это принятие взвешенных решений.

В данной работе понятие смысла не отождествляется с понятием контекста. Контекст остается информационным объектом, который несет необходимые знания для сохранения смыслового содержания пространственной ситуации. Определим контекст С(Бп ) ситуации 8п как подмножество пространственных объектов,

не входящих в множество Е объектов, описывающих ситуацию :

п

С(*п ) с Е \ Е*п .

Множество С(Бп) формируется на основе знаний. Представление знаний

может соответствовать одной из принятых форм - продукции, фреймы, семантические сети либо логические исчисления [6]. Однако, как всякая универсальная форма представления, она оказывается недостаточно эффективной в рассматриваемом случае. К недостаткам следует отнести:

1) отсутствие явной концептуальной связи с геометрией и топологией пространства, необходимых для описания пространственных ситуаций;

2) статический характер представления сущностей знания, отношений между ними. Более адекватным в случае пространственного анализа ситуаций представляется непрерывный учет изменений сущностей;

3) символьный характер представления знаний. Пространственные ситуации естественным образом задаются картами либо схемами, которые несут в себе знания. Поэтому представление и его визуализация должны быть не символьными;

4) отсутствие средств отображения достоверности знаний.

В целом, анализ, проведенный в данном разделе, позволяет сделать следующий вывод: информационные системы, оперирующие пространственными ситуациями, реализуют интеллектуальные процедуры, при выполнении которых могут возникать аномалии распознавания, ранжирования, поиска и конструирования новых ситуаций. Введенные формальные понятия ситуации и контекста открывают возможность находить соответствующее представление знаний о ситуации, которое значительно снизит вероятность аномалий.

1.2 Когнитивная семантика и образное мышление. Когнитивные модели знаний.

Исследования в когнитологии и других когнитивных науках непосредственно связаны с задачей разработки интеллектуальных систем. Когнитивные науки решают совокупность задач, среди которых исследование восприятия, структур, возникающих в процессе восприятия и формирования знания, формы и способы хранения знаний, типов репрезентации и манипулирования знаниями в процессе мышления, структур памяти и воображения, фантазии и сенсомоторного опыта, когнитивные способности и механизмы рационального мышления, разумного поведения и его планирования, и другие. Когнитология представляет собой область междисциплинарных исследований, направленных на изучение и моделирование процессов формирования, приобретения, хранения, модификации и применения знаний живыми и искусственными системами посредством образной информации. Таким образом, когнитивные науки своим предметом ставят приобретение, хранение, преобразование и использование образных знаний [7].

Список литературы диссертационного исследования кандидат наук Зубков Сергей Александрович, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Shekar S., Chawla S. Spatial Databases: A Tour // Spatial Databases: A Tour. — 2003.

2. John McCarthy. Situations, actions and causal laws. Technical Report Memo 2. Stanford University Artificial Intelligence Laboratory. Stanford. CA. 1963.

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

4. Белоусов А. И., Ткачев С. Б. Дискретная математика. - М.: МГТУ, 2006

5. Словарь по логике. — М.: Туманит, изд. центр ВЛАДОС. А.А.Ивин, А.Л.Никифоров. 1997.

6. Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991.

7. Фаликман М. Когнитивная наука: основоположения и перспективы // Логос. 2014. № 1. С. 316.

8. Валькман Ю. Р. Когнитивные графические метафоры: когда, зачем, почему и как мы их используем // Доклады Междун. конф. "Знания-Диалог-Решение" (KDS-95), Киев, Ялта, 1995.

9. Валькман Ю. Р. Анализ понятия образ: отношения «образы - понятия» // Сб. тр. XI Междунар. конференции «Искусственный интеллект (КИИ-2008)», Россия, Дубна, 2008.

10. Валькман Ю. Р. Структура образа: доформальное исследование // Сб. тр. XII Междунар. конференции «Искусственный интеллект (КИИ-2010)», Россия, Тверь, 2010.

11. Валькман Ю. Р., Гриценко В.И., Рыхальский А. Ю. Модельно-параметриче-ское пространство. Теория и приложение. Киев: Наукова думка, 2012.

12. Лакофф Д. Женщины, огонь и опасные вещи: Что категории языка говорят нам о мышлении, М.: 2004.

13. Wille R., Ganter D. Formal Concept Analysis. Berlin: Springer-Verlag. 1999.

14. Кузнецов О.П. Когнитивная семантика и искусственный интеллект //Искусственный интеллект и принятие решений, N4. 2012. С.32-42.

15. Кузнецов О.П. О концептуальной семантике //Искусственный интеллект и принятие решений, N3. 2014. С.32-39.

16. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем: учебник. СПб.: Питер, 2001.

17. Таненбаум Э., Бос Х. Современные операционные системы. 4-е изд. — СПб.: Питер, 2015.

18. A. Dey and G. Abowd. 2000. Towards a better understanding of context and context-awareness. In CHI 2000 Workshop on the What, Who, Where, When, and How of Context-Awareness , 304-307.

19. C. McMahon, A. Lowe, S. Culley Knowledge management in engineering design: personalization and codification J. Eng. Des., 15 (4) (2004), pp. 307-325

20. Marko Gasparic, Gail C. Murphy, Francesco Ricci A context model for IDE-based recommendation systems .- The Journal of Systems and Software 128 (2017) 200-219

21. Brown, P. , Bovey, J. , Chen, X. , 1997. Context-aware applications: from the laboratory to the marketplace. IEEE Person. Commun. 4, 58-64 .

22. Schilit, B. , Theimer, M. , 1994. Disseminating active map information to mobile hosts. IEEE Netw. 8, 22-32 .

23. Oku, K. , Nakajima, S. , Miyazaki, J. , Uemura, S. , 2006. Context-aware SVM for con- text-dependent information recommendation. In: International Conference on Mobile Data Management .

24. Palmisano, C. , Tuzhilin, A. , Gorgoglione, M. , 2008. Using context to improve predic- tive modeling of customers in personalization applications. IEEE Trans. Knowl. Data Eng. 20, 1535-1549 .

25. Jose Aguilar, Marxjhony Jerez, Taniana Rodriguez CAMeOnto: Context awareness meta ontology modeling // Applied Computing and Informatics 14 (2018) 202-213

26. H. Vahdat-Nejad, A. Ramazani, T. Mohammadi, W. Mansoor, A survey on context-aware vehicular network applications, Vehicular Commun. 3 (2016) 43-57.

27. Mehdi Hosseinzadeh Aghdam Context-aware recommender systems using hierarchical hidden Markov model.- Physica A 518 (2019) 89-98.

28. Myung Jin Choi, Antonio Torralba, Alan S. Willsky Context models and out-of-context objects.- Pattern Recognition Letters 33 (2012) 853-862

29. Geir Solskinnsbakk, Jon Atle Gulla Combining ontological profiles with context in information retrieval, Data & Knowledge Engineering 69 (2010) 251-260

30. Xuan Lv, Nora M. El-Gohary Enhanced context-based document relevance assessment and ranking for improved information retrieval to support environmental decision making , Advanced Engineering Informatics 30 (2016) 737-750

31. Moshe Unger, Ariel Bar, Bracha Shapira, Lior Rokach Towards latent context-aware recommendation systems Knowledge-Based Systems 104 (2016) 165-178

32. Bin Xia, Zhen Ni, Tao Li, Qianmu Li, Qifeng Zhou VRer: Context-Based Venue Recommendation using embedded space ranking SVM in location-based social network.- Expert Systems With Applications 83 (2017) 18-29

33. T. Cioara , I. Anghel , I. Salomie , M. Dinsoreanu , G. Copil , D. Moldovan , A self-adapting algorithm for context aware systems, in: Roedunet International Conference (RoEduNet), 2010 9th, 2010, pp. 374-379 .

34. Kwon, O., Yoo, K., & Suh, E. (2005). UbiDSS: A proactive intelligent decision support system as an expert system deploying ubiquitous computing technologies. Expert Systems with Applications, 28(1), 149-161.

35. Quintana-Amate, S., Bermell-Garcia, P., Tiwari, A., & Turner, C. J. (2017). A new knowledge sourcing framework for knowledge-based engineering: An aerospace industry case study. Computers & Industrial Engineering, 104, 35-50.

36. К. В. Воронцов Математические методы обучения по прецедентам (теория обучения машин) http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML- 1.pdf

37. Jacob de Naurois, C., Bourdin, C., Stratulat, A., Diaz, E., Vercher, J.L., 2017. Detection and prediction of driver drowsiness using artificial neural network models. Ac-cid. Anal. Prev. (July), 0-1. http://dx.doi.org/10.1016/j.aap.2017.11.038.

38. Murata, A., 2016. Proposal of a method to predict subjective rating on drowsiness using physiological and behavioral measures. IEEE Trans. Intell. Transp. Syst. 7323 (March), 1802-1811. http://dx.doi.org/10.1080/21577323.2016.1164765.

39. McDonald, A.D., Lee, J.D., Schwarz, C., Brown, T.L., 2018. A contextual and temporal algorithm for driver drowsiness detection. Accid. Anal. Prev. 113 (January), 2537. http://dx.doi.org/10.1016/j.aap.2018.01.005.

40. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина. - 2-е изд., испр. - М.: ДМК Пресс, 2018.

41. C.S. Krishnamoorthy; S. Rajeev Artificial Intelligence and Expert Systems for Engineers - CRC Press LLC, 1996.

42. Mehran, B., Kuwahara, M., 2013. Fusion of probe and fixed sensor data for short-term traffic prediction in urban signalized arterials. Int. J. Urban Sci. 17 (2), 163-183.

43. Wang, F., Wang, J., Cao, J., Chen, C., Ban, X.J., 2019. Extracting trips from multi-sourced data for mobility pattern analysis: An app-based data example. Transport. Res. Part C: Emerg. Technol. 105, 183-202.

44. Chen, D., 2017. Research on traffic flow prediction in the big data environment based on the improved RBF neural network. IEEE Trans. Ind. Inf. 13 (4), 2000-2008.

45. Zhiyuan Liu, Yang Liu, Qiang Meng, Qixiu Cheng A tailored machine learning approach for urban transport network flow estimation - Transportation Research Part C 108 (2019) 130-150

46. S.J. Pan , Q. Yang , A survey on transfer learning, IEEE Trans. Knowl. Data Eng. 22 (10)(2010) 1345-1359.

47. D. Gentner , K.J. Holyoak , Reasoning and learning by analogy: introduction., Am. Psychol. 52 (1) (1997) 32-34 .

48. W. Dai , G.-R. Xue , Q. Yang , Y. Yu , Co-clustering based classification for out-of-domain documents, in: Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, 2007, pp. 210-219 .

49. M. Ankerst , C. Elsen , M. Ester , H.-P. Kriegel , Visual classification: an interactive approach to decision tree construction, in: Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD'99, 1999, pp. 392-396 .

50. S. van den Elzen , J.J. Wijk , BaobabView: Interactive construction and analysis of decision trees, in: Proceedings of IEEE VAST'11, 2011, pp. 151-160 .

51. Y. Liu , G. Salvendy , Design and evaluation of visualization support to facilitate decision trees classification, Int. J. Humam-Comput. Study 65 (2) (2007) 95-110 .

52. B. Alsallakh , A. Hanbury , H. Hauser , S. Miksch , A. Rauber , Visual methods for analyzing probabilistic classification data, IEEE Trans. Vis. Comput. Graph. 20 (12) (2014)1703-1712.

53. H. Bosch , D. Thom , F. Heimerl , E. Puttmann , S. Koch , R. Kruger , M. Wцrner , T. Ertl , ScatterBlogs2: real-time monitoring of microblog messages through user-guided filtering, IEEE Trans. Vis. Comput. Graph. 19 (12) (2013) 2022-2031 .

54. M. Jankowska , V. Keselj , E. Milios , Relative n-gram signatures: document visualization at the level of character n-grams, in: Proceedings of IEEE Conference on Visual Analytics Science and Technology, 2012, pp. 103-112 .

55. J.G.S. Paiva , L. Florian-Cruz , H. Pedrini , G.P. Telles , R. Minghim , Improved similarity trees and their application to visual data classification, IEEE Trans.Vis. Comput. Graph. 17 (12) (2011) 2459-2468 .

56. S. Amershi , J. Fogarty , D. Weld , Regroup: interactive machine learning for on-demand group creation in social networks, in: Proceedings of ACM SIGCHI Conference on Human Factors in Computing Systems, 2012, pp. 21-30 .

57. A. Endert , C. Han , D. Maiti , L. House , S. Leman , C. North , Observation-level interaction with statistical models for visual analytics, in: Proceedings of IEEE Conference on Visual Analytics Science and Technology, 2011, pp. 121-130 .

58. Aamodt, A., Plaza, E.: Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications 7(1), 39-59 (1994).

59. Shashi S., Hui, X.: Encyclopedia of GIS. Springer, New York (2017).

60. Yeh, A., Shi, X.: Case-based reasoning (CBR) in development control. JAG 3 (3), 238-251 (2001).

61. Du, Y., Liang, F., Sun, Y.: Integrating spatial relations into case-based reasoning to solve geographic problems. Knowledge-Based Systems. 33, 111-123 (2012).

62. Wei, H., Xu, Q., Tang X.: A knowledge-based problem solving method in GIS application. Knowledge-Based Systems 24, 542-553 (2011).

63. Veronesi, F., Schito, J., Grassi, S., Raubal, M.: Automatic selection of weights for GIS-based multicriteria decision analysis: site selection of transmission towers as a case study. Applied Geography 83, 78-85 (2017).

64. Yan, A., Yu, H., Wang, D.: Case-based reasoning classifier based on learning pseudo metric retrieval. Expert Systems With Applications 89, 91-98 (2017).

65. De Renzis, A., Garriga, M., Flores, A., Cechich, A.: Case-based Reasoning for Web Service Discovery and Selection. Electronic Notes in Theoretical Computer Science 321, 89-112 (2016).

66. Relich, V., Pawlewski, P.: A case-based reasoning approach to cost estimation of new product development. Neurocomputing 272, 40-45 (2018).

67. Laurini, M.: Geographic Knowledge Infrastructure. Applications to Territorial Intelligence and Smart Cities. ISTE Press Ltd, (2017).

68. Schumann, H., Tominski, C.: Analytical, visual and interactive concepts for geo-visual analytics. Journal of Visual Languages and Computing 22, 257-267 (2011).

69. ГОСТ Р 57321.1-2016 Менеджмент знаний. Менеджмент знаний в области инжиниринга. Часть 1. Общие положения, принципы и понятия.

70. Hick W. E. On the rate of gain of information, Quarterly Journal of Experimental Psychology, 1952, vol. 4. no. 1, pp. 11-26.

71. Gibson J.J. A Theory of Direct Visual Perception, J. Royce, W. Rozenboom (eds.), The Psychology of Knowin, NY: Gordon & Breach. 1972.

72. Зенкин А.А. Когнитивная компьютерная графика. - М.: Наука, 1991.

73. Longley P. A., Goodchild M. F., Maguire D. J., Rhind D. W. Geographic Information Systems and Sciences, 3rd ed., Wiley, 2011.

74. Лебедев А. В. Логос Гераклита. Реконструкция мысли и слова (с новым критическим изданием фрагментов). — СПб.: Наука, 2014.

75. Родин А.В. Теория категорий и поиски новых математических оснований физики Вопросы философии. 2010. № 7. с.67-82

76. Рыбина Г.В., Дейнеко А.О., Нистратов О.В. Особенности построения полных и непротиворечивых баз знаний в интегрированных экспертных системах //V-я Международная научно-практическая конференция "Интегрированные модели и мягкие вычисления в искусственном интеллекте" (28-30 мая 2009 г., Коломна, Россия): Сборник научных трудов. В 2-т., М: Физматлит, 2009, Т.2, с.760-767

77. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. М: Физматлит, 2001,

78. Ивлев Ю.В. Предмет и перспективы развития логики // Логические исследования. 2018. № 1. С. 115-128.

79. Dowty, David, Robert E. Wall, and Stanley Peters, Jr. 1981. Introduction to Montague Semantics. Dordrecht: Reidel.

80. Gamut, L.T.F. 1991. Logic, Language, and Meaning. Vol. 1: Introduction to Logic. Vol. 2: Intensional Logic and Logical Grammar. Chicago: University of Chicago Press.

81. API Яндекс.Карт . https://tech.yandex.ru/maps/

82. Башлыков А.А. Образное представление состояния сложныъ технологических объектов управления // Искусственный интеллект и принятие решений. 2012. №3. С.9-18.

83. Юнг К. Структура психики и процесс индивидуации. - М.: Наука, 1996.

84. Кобринский Б.А. Нечеткий образный ряд в клинической медицине. // Труды V-й Междун. конфер. «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна, М.: Физматлит, 2009

85. Кобринский Б.А. Значение визуальных образных представлений для меди-циеских интеллектуальных систем // Искусственный интеллект и принятие решений. 2012. №3. С.3-8.

86. Поспелов Д.А. Когнитивная графика — окно в новый мир. // Программные продукты и системы. 1992. —№2

87. Психология мышления (Серия: Хрестоматия по психологии). Ред.-сост. М.: АСТ, Астрель, 2008. (Соредакторы Ю.Б. Гиппенрейтер, М.В. Фаликман, В.В. Петухов)

88. Берлянт А. М. Образ пространства: карта и информация . Издательство: Мысль, 1986.

89. R. Agrawal, T. Imielinski, A. Swami. 1993. Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int'l Conf. on Management of Data, 207-216.

90. R. Agrawal, R. Srikant. Fast Discovery of Association Rules, In Proc. of the 20th International Conference on VLDB, Santiago, Chile, September 1994.

91. R. Srikant, R. Agrawal. Mining Generalized Association Rules, In Proc. of the 21th International Conference on VLDB, Zurich, Switzerland, 1995.

92. 17 нейросетей для создания и обработки изображений -https://texterra.ru/blog/neyrosetey-dlya-sozdaniya-i-obrabotki-izobrazheniy.html

93. Кобринский Б.А. Образный ряд в интеллектуальной системе // Искусственный интеллект и принятие решений. 2009. №2. С.25-33.

94. Матс Линдгрен, Ханс Бандхольд. Сценарное планирование: связь между будущим и стратегией. — М.: ЗАО «Олимп —Бизнес», 2009.

95. Christian Willi Scheiner, Christian Vincenzo Baccarella, John Bessant , Kai-Ingo Voigt Thinking patterns and gut feeling in technology identification and evaluation // Technological Forecasting & Social Change. 2015, № 101 , PP. 112-123.

96. Jason Brownlee Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery, 2018

97. Matt Timperley, Maizura Mokhtar, Gareth Bellaby, Joe Howe Explanation-based learning with analogy for impasse resolution // Expert Systems with Applications, Volume 61, 2016, Pages 181-191

98. D. Gentner , K.J. Holyoak , Reasoning and learning by analogy: introduction., Am. Psychol. 52 (1) (1997) 32-34 .

99. R. Chattopadhyay, J. Ye, S. Panchanathan, W. Fan, I. Davidson, Multi-source domain adaptation and its application to early detection of fatigue, ACM Trans. Knowl. Discov. Data (TKDD) 6 (4) (2012) 18.

100. J. Han , M. Kamber , Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 2000 .

101. L. Duan, I.W. Tsang, D. Xu, Domain transfer multiple kernel learning, IEEE Trans. Pattern Anal. Mach. Intell. 34 (3) (2012) 465-479.

102. S.J. Pan, J.T. Kwok, Q. Yang, Transfer learning via dimensionality reduction, Proceedings of the 23th AAAI Conference on Artificial Intelligence, Chicago, 2008, pp. 677-682.

103. J. Liu, E. Zio, An adaptive online learning approach for support vector regression: Online-SVR-FID, Mech. Syst. Signal Process. 76-77 (2016) 796-809.

104. Y.-M. Wen, B.-L. Lu, Incremental learning of support vector machines by classifier combining, Proceedings of the 11th Pacific-Asia Conference on Knowledge Discovery and Data Mining, Nanjing, 2007, pp. 904-911.

105. M. Long, J. Wang, G. Ding, J. Sun, P.S. Yu, Transfer feature learning with joint distribution adaptation, IEEE 2013 Conference on Computer Vision, Sydney, 2013, pp. 2200-2207.

106. T.M. Fruchterman , E.M. Reingold , Graph drawing by force-directed placement, Softw.: Pract. Exp. 21 (11) (1991) 1129-1164 .

107. F. Heimerl , S. Koch , H. Bosch , T. Ertl , Visual classifier training for text document retrieval, IEEE Trans. Vis. Comput. Graph. 18 (12) (2012) 2839-2848 .

108. N. Cao , D. Gotz , J. Sun , H. Qu , DICON: interactive visual analysis of multidimensional clusters, IEEE Trans. Vis. Comput. Graph. 17 (12) (2011) 2581-2590 .

109. Рузавин Г.И. Абдукция и методология научного поиска // Эпистемология и философия науки . 2011. Т 6, № 4, с. 4-19.

110. Mingxiang Feng, Shih-Lung Shaw, Zhixiang Fang, Hao Cheng Relative space-based GIS data model to analyze the group dynamics of moving objects // ISPRS Journal of Photogrammetry and Remote Sensing, Volume 153, 2019, Pages 74-95.

111. Dieu Tien Bui, Nhat-Duc Hoang, Tien-Dat Pham, Phuong-Thao Thi Ngo, Pham Viet Hoa, Nguyen Quang Minh, Xuan-Truong Tran, Pijush Samui A new intelligence approach based on GIS-based Multivariate Adaptive Regression Splines and metaheu-ristic optimization for predicting flash flood susceptible areas at high-frequency tropical typhoon area // Journal of Hydrology, Volume 575, 2019, Pages 314-326.

112. Christoph Stasch, Simon Scheider, Edzer Pebesma, Werner Kuhn Meaningful spatial prediction and aggregation // Environmental Modelling & Software, Volume 51, 2014, Pages 149-165.

113. Верещака Т.В., Баканова М.Ю. Особенности технологии создания (обновления) специализированных топографических карт нефтегазового назначения // Изв. вузов «Геодезия и аэрофотосъемка». 2019. Т. 63. № 6. С. 678-688.

114. Кресникова Н.И., Васильевых Н.А. Применение данных дистанционного зондирования и геоинформационных технологий для обеспечения территориального планирования // Изв. вузов «Геодезия и аэрофотосъемка». 2018. Т. 62. № 2. С. 212-217.

115. Паламарчук Н.А. Зонирование территорий города // Землеустройство, кадастр и мониторинг земель. 2013. № 7 (103). С. 48-52.

116. Александров А.А. Моделирование взрывоопасности м зонирование территории при хранении жидкого углеводородного топлива по критериям риска, под ред. В. И. Ларионова. Уфа, 2004. Издательство: БЭСТС.

117. Rubner, Y. The Earth Mover' s Distance as a Metric for Image Retrieval / Y. Rubner, C. Tomasi, L. J. Guibas // International Journal of Computer Vision. - 2000. -P. 99-121.

118. Геостатистика: теория и практика / В. В. Демьянов, Е. А. Савельева ; под ред. Р. В. Арутюняна; Ин-т проблем безопасного развития атомной энергетики РАН. — М. : Наука, 2010.

119. Визуализация и анализ географических данных на языке R https://tsamsonov.github.io/r-geo-course/

120. Обнаружение аномалий

https://dyakonov.org/2017/04/19/%d0%bf%d0%be%d0%b8%d1%81%d0%ba-

%d0%b0%d0%bd%d0%be%d0%bc%d0%b0%d0%bb%d0%b8%d0%b9-anomaly-

detection/

121. Тикунов, В.С. Классификации в географии: ренессанс или увядание? : (Опыт формал. классификаций) / В. С. Тикунов; Моск. гос. ун-т им. М. В. Ломоносова. -М. ; Смоленск : Изд-во Смол. гос. ун-та, 1997.

122. Galton A. Spatial and temporal knowledge representation // Earth Sci Inform (2009) 2:169-187. DOI 10.1007/s12145-009-0027-6.

123. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. Радио и связь, 1992.

124. Де Мерс М. Географические информационные системы. Основы. Дата+, Москва, 1999.

125. Мотовилов Ю. Г., Гельфан А. Н. Модели формирования стока в задачах гидрологии речных бассейнов. Изд-во РАН, 2018.

126. P. Yue and L. Jiang, BigGIS: How big data can shape next-generation GIS. 2014 The Third International Conference on Agro-Geoinformatics, Beijing, 2014, pp. 1-6.

127. Беляков С.Л., Боженюк А.В, Белякова М.Л. Прецедентный анализ геоинформационных моделей проектов логистики. Наука и технологии железных дорог, № 2, 2019.

128. Беляков С.Л., Орехова Д.А., Залилов Э.Ф. Предотвращение локальных аварийных ситуаций в механической транспортной системе. Наука и технологии железных дорог, № 1, 2019.

129. Беляков С.Л., Боженюк А.В., Зубков С.А. Метод интеллектуального управления процессом интерактивного изучения пространственных данных для принятия решений. Информационные технологии. 2020. Т. 26. № 7. С. 394-402. DOI: 10.17587/it.26.394-402.

130. Беляков С.Л., Белякова М.Л., Зубков С.А., Голова Н.А., Яворчук К.С. Трансформирование опыта принятия решений в пространственных ситуациях. Известия ЮФУ. Технические науки. 2020. № 5 (215). С. 159-171 DOI: 10.18522/2311-31032020-5-159-171.

131. Belyakov S., Bozhenyuk A., Belyakova M., Zubkov S. Knowledge Discovery for Interactive Dialogue Management with Geoinformation Service. В сборнике: SIMUL-TECH 2018 - Proceedings of 8th International Conference on Simulation and Modeling Methodologies, Technologies and Applications. 8. 2018. С. 435-442. DOI: 10. 5220/00068365043 50442.

132. Belyakov S., Bozhenyuk A., Belyakova M., Zubkov S. Models experience presentation for logistics projects implementation based on geoinformation models. ACM International Conference Proceeding Series, 2018, pp. 108-112. DOI: 10.1145/3220228.3220239.

133. Belyakov S., Savelyeva M., Belyakova M., Zubkov S. Intellectual visualization of complex maps and schemes. SISY 2017 - IEEE 15th International Symposium on Intelligent Systems and Informatics, Proceedings, 2017, pp. 303-308, 8080572. (DOI: 10.1109/SISY.2017.8080572).

134. Belyakov S.L., Bozhenyuk A.V., Belyakova M.L., Zubkov S.A. Case based reasoning in intelligent geographic information systems for the management of logistics projects. CEUR Workshop Proceedings, 2018, Vol.2258, pp. 1-10.

135. Беляков С.Л., Боженюк А.В., Зубков С.А. Нечеткая геоинформационная модель прецедента для оценки решений в логистике. Международная конференция по мягким вычислениям и измерениям.- Изд-во Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В.И. Ульянова (Ленина) (Санкт-Петербург), Том: 2 Год: 2018. С. 38-41.

136. Самойлов Л.К., Залилов Э.Ф., Белякова М.Л., Зубков С.А. Применение защитного контекста в процессе ситуационного анализа. Наука и технологии железных дорог, Том: 4 Год: 2020 С. 84-93.

137. Беляков С.Л., Боженюк А.В., Белякова М.Л., Зубков С.А. Контроллер структуры темпорального графа транспортной сети.- Свидетельство об официальной регистрации программы для ЭВМ № 2017662675, рег. 15.09.2017.

138. Духин С.В., Зубков С.А., Пронин Д.В., Федорец Д.А., Черномаз Г.И. Программа для планирования инновационного развития единой системы управления высокоскоростным и скоростным движением. - Свидетельство об официальной регистрации программы для ЭВМ № 2018615503, рег. 08.05.2018.

139. Духин С.В., Зубков С.А., Полетаев В.В., Пронин Д.В., Черномаз Г.И. Программа мониторинга финансовой деятельности единой системы управления высокоскоростным и скоростным движением. - Свидетельство об официальной регистрации программы для ЭВМ № 2018615555, рег. 10.05.2018.

ПРИЛОЖЕНИЕ

р/с)

Акционерное общество «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте»

АО «НИИАС»

ул.Нижегородская, 27. стр.1, Москва, Россия, 109029; теп. [phone], факс [phone]; e-mail: InfoGvniias ru ОКПО 82462078; ОГРН 1077758841555; ИНН/КПП 7709752846/770901001

№

На № .

УТВЕРЖДАЮ Заместитель Генерального директора АО «НИИАС»,

4МПЧ ПЯПрГЖЧМЯЯв ,

.Павловский

^¿020 г.

москв*.

Акт

использования результатов диссертационной работы Зубкова Сергея Александровича «Разработка и исследование метода представления знаний о пространственных ситуациях с контекстными преобразованиями»

Настоящим подтверждаем, что результаты диссертационной работы на соискание ученой степени кандидата технических наук Зубкова С.А. «Разработка и исследование метода представления знаний о пространственных ситуациях с контекстными преобразованиями» были использованы при разработке Геоинформационной базы данных земельных участков и объектов недвижимости (ГБД ЗУ ОН), предназначенной для ввода, хранения, отображения и выполнения операций над пространственными и атрибутивными данными об объектах ОАО «РЖД», в части разработки технологии и программного обеспечения проведения актуализации имущества ОАО «РЖД» на основе применения снимков дистанционного зондирования Земли (ДЗЗ).

В разработке ГБД ЗУОН были использованы следующие научные результаты, полученные Зубковым С.А.:

Духин Степан Владимирович тел. [phone] *110

концепция представления знаний образами пространственных

ситуации;

алгоритмы сопоставления и трансформирования образов

ситуации.

Предложенная в работе модель знаний и ее функции, реализованные в алгоритмах программного обеспечения, позволили эффективнее классифицировать выявляемые изменения картографических объектов, представляющих объекты железнодорожной инфраструктуры.

Настоящий акт не является основанием для любых финансовых взаиморасчетов.

Руководитель НТК Геоинформационных систем и спутниковых технологий, к.т.н.

С.В.Духин