Разработка и исследование моделей поведения динамических объектов на основе интеллектуального анализа видеопотоков данных тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Целых, Юлия Александровна

• Целых, Юлия Александровна
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Целых, Юлия Александровна

Введение.

Глава 1. Модели представления нечетких данных и знаний в задачах анализа видеоизображений.

1.1. Представление и использование пространственно-временных нечетких атрибутов для анализа видеоизображений.

1.1.1. Использование пространственных атрибутов для анализа видеоизображений

1.1.2. Уточнение описания пространственного расположения объектов нечеткими атрибутами.

1.1.3. Использование темпоральных атрибутов для описания сцен

1.2. Нечеткие модели представления знаний для анализа видеоизображений

1.2.1. Представление информационных атрибутов с помощью нечетких продукций.

1.2.2. Фреймовое представление нечетких атрибутов.

1.3. Выводы по первой главе.

Глава 2. Моделирование двигательных действий объекта на основе методов интеллектуального анализа данных.

2.1. Основные подходы к использованию методов интеллектуального анализа данных для обработки видеоизображений

2.2. Методы и алгоритмы машинного обучения в системах интеллектуального анализа данных.

2.3. Особенности применения методов интеллектуального анализа данных для обработки видеоизображений.

2.3.1. Система мониторинга динамических объектов на видеоизображениях

2.3.2. Методология обнаружения знаний в базах данных.

2.3.3. Идентификация положения объекта на видеокадре программными средствами интеллектуального анализа данных.

2.3.3.1. Предобработка данных.

2.3.3.2. Построение прогнозных моделей.

2.3.3.3. Оценка эффективности и сравнение моделей.

2.4. Выводы по второй главе.

Глава 3. Модель описания сцен по результатам обработки видеоизображений.

3.1. Алгоритмы локальной обработки видеоизображений для описания положения объекта.

3.2. Мониторинг статического положения объекта на видеокадре

3.2.1. Алгоритм поиска контрольных точек.

3.2.2. Анализ сцен с помощью агентов и многоагентных систем

3.2.3. Реализация мониторинга компонентов управления информационными агентами слежения.

3.2.4. Алгоритм управления фантомом.

3.3. Мониторинг динамики объекта на видеокадре.

3.3.1. Означивание лингвистической переменной, описывающей движения объекта.

3.4. Использование гиперграфов специального вида для анализа сложных сцен

3.5. Представление графово-гиперграфовой модели описания сцен

3.6. Выводы по третьей главе.

Введение диссертации (часть автореферата) на тему «Разработка и исследование моделей поведения динамических объектов на основе интеллектуального анализа видеопотоков данных»

Актуальность исследования обусловлена стремительным ростом объемов видеоинформации, которая нуждается в оперативном анализе. По прогнозам специалистов, мировой рынок средств видеоаналитики в 2010 году составит 600 млн. долларов. Особую актуальность данная тема приобретает в связи с участившимися случаями террористических актов. Так, Правительство РФ приняло решение о разработке проекта централизованной системы видеонаблюдения в реальном времени для Московского метрополитена с возможностью автоматического анализа видеоизображений.

Современные средства видеоаналитики должны совмещать в себе высокую эффективность оперативного видеоконтроля, комплексный анализ сцены и расширенные возможности автоматической индексации потока видеоизображений.

Решать подобные задачи возможно с помощью классической теории распознавания образов. Однако современные достижения этой теории не всегда применимы в силу больших затрат вычислительных ресурсов и времени. Поэтому предлагается использовать основные положения теории искусственного интеллекта с выделением характеризующих признаков и получением их значений, достаточных для описания сцен по видео- и фотоизображениям. Это значительно упрощает анализ действий объекта на кадрах видеоизображения. Примером такого подхода является представление объекта в виде фантома и выделение основных точек на теле человека. Предлагаемая модель может служить как воспринимающим аппаратом, так и инструментом моделирования действий человека и дальнейшего анализа.

Основная проблема при создании архива появлений объекта, например лица человека, в поле зрения видеокамеры состоит, во-первых, в сильной избыточности информации, а во-вторых, в необходимости определения объекта на каждом кадре. Идеально это может делать человек, однако он имеет ограниченные возможности и не в состоянии следить за большим количеством объектов одновременно. А зачастую присутствие человека невозможно. Поэтому требуется помощь компьютера и возникает необходимость в использовании интеллектуальных систем видеонаблюдения.

Характерными особенностями видеоданных являются гигантский объем и высокая размерность, подверженность ошибкам и пропускам, неполнота и неточность. Эти сложности в полной мере учитывают современные методы и алгоритмы интеллектуального анализа данных — междисциплинарного направления исследований по выявлению в больших объемах сырых данных практически полезных и доступных интерпретации знаний, необходимых для принятия качественных решений.

Системы, основанные на знаниях, используются при решении следующих задач обработки видеоизображений:

• Выделение отдельных смысловых важных фрагментов сцен

• Интерпретация символов и сигналов

• Анализ переднего и заднего плана видеокадра

• Принятие решений в условиях неопределенности

О важности использования методов интеллектуальной обработки видеоизображений также свидетельствует распространение систем мониторинга «Безопасный город» и разработка и опубликование проекта Федерального закона Российской Федерации «О технических средствах обеспечения противокриминальной защиты объектов и имущества». Закон определяет основные положения технического регулирования в области криминальной безопасности и устанавливает общие требования к техническим средствам обеспечения противокриминальной защиты объектов и имущества.

В соответствии с основными положениями закона, под системой охраны и мониторинга понимается совокупность технических средств, связанных между собой каналами передачи данных, использующих систему для определения параметров пространственно-временного положения подвижных объектов и предназначенных для противодействия преступным посягательствам.

Таким образом, разработка и исследование моделей поведения объекта при обработке видеоизображений с целью решения задач анализа данных и распознавания сцен является актуальной научной проблемой.

Теоретические и практические предпосылки настоящего исследования составили фундаментальные и прикладные работы ученых в следующих областях:

• представление и использование нечеткоопределенных знаний и данных (Заде JI.A. [Заде, 1974, 1976, 1980], Берштейн JI.C. [Берштейн и др., 1990, 1991, 2003а, Ь, с], Борисов А.Н. [Борисов и др., 1982, 1989], Кофман А. [Кофман, 1982], Сергеев Н.Е., Уэно X., Togai М. [Togai, Watanabe, 1986а, b]);

• представление структур данных и знаний с помощью графов и гиперграфов (Оре О., Берж К., Берштейн Л.С., Ахо А., Гётчел Р.Х., Зыков А.А. [Зыков, 1974, 1987], Касьянов В.Н., Евстигнеев В.А. [Касьянов и др., 2003], Кристофидис Н., Свами М., Татт У., Хопкрофт Д.);

• представление знаний о пространстве и времени (Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. [Кандрашина и др., 1989], Ковалев С.М. [Ковалев, 2001а, Ь], Еремеев А.П. [Еремеев и др., 2000]);

• методы интеллектуального анализа данных (Пиатецкий-Шапиро Г., Wasserman S. [Wasserman, Faust, 1994]);

• агенты и многоагентные системы (Рассел С., Норвиг П. [Рассел, Норвиг, 2006], Поспелов Д.А. [ Поспелов, 19 86, 1997, 1998], Тарас ов В.Б. [Тарасов, 1998, 2002]).

Цель работы и задачи исследования. Целью диссертационной работы является разработка и исследование моделей поведения динамических объектов при обработке видеоизображений для решения задач анализа данных и распознавания сцен.

Поставленная цель определяет следующие основные задачи диссертационного исследования:

1. Исследовать и разработать нечеткие модели представления пространственно-временных знаний и данных для задач обработки видеоизображений.

2. Разработать алгоритм распознавания сцен для моделей поведения динамических объектов.

3. Разработать систему распознавания сцен и анализа действий объектов на видеокадре.

4. Реализовать практическое решение задачи интеллектуального анализа данных и распознавания сцен в виде программного комплекса.

Методы проведения исследований основаны на использовании теории нечетких множеств и нечеткой логики, теории графов и гиперграфов, моделей искусственного интеллекта, методов интеллектуального анализа данных.

Научная новизна работы заключается в следующем:

1. Разработаны и исследованы математические модели для описания положения объектов на видеокадре, отличающиеся от известных использованием нечетких пространственно-временных атрибутов и лингвистических переменных, что позволяет на основе моделирования нечетких рассуждений вырабатывать компетентные решения в условиях неопределенности и сложной пространственно-временной обстановки.

2. Разработаны вычислительные методы и алгоритмы анализа видеокадров, отличающиеся возможностью реализации нечетких процедур поиска и слежения за компонентами объекта, что позволяет оперативно и адекватно формировать сценарии и описания ситуаций в системах анализа видеоизображений.

3. Разработана графово-гиперграфовая модель описания сцен и ситуаций, отличающаяся использованием понятия обобщенного гиперграфа, что позволяет с высокой степенью достоверности имитировать процедуры получения экспертных решений.

4. Разработан программный комплекс «Система мониторинга динамических объектов», предназначенный для анализа видеокадров и распознавания сцен, позволяющий определить требования к основным параметрам и характеристикам таких систем и предложить принципы создания интеллектуальных систем обработки видеоизображений, отличающиеся возможностью принятия решений в условиях неполноты и противоречивости исходной информации.

Практическая ценность результатов исследования заключается в следующем:

1. Разработанные модели и методы обработки видеоизображений могут быть использованы для создания систем мониторинга сложных объектов с возможностью анализа видеоизображений.

2. Предложенные принципы создания адаптивной интеллектуальной системы могут быть применены для создания систем принятия решений в сложной пространственно-временной обстановке.

3. Разработанная система распознавания сцен и анализа действий объекта на кадрах видеоизображения, реализованная в виде программного комплекса, может служить инструментом для моделирования действий человека в информационных системах искусственного интеллекта.

Достоверность полученных в диссертации результатов подтверждается математическими и аналитическими доказательствами и оценками, проведением экспериментов на ЭВМ, результатами практического использования предложенных в диссертации моделей, методов и алгоритмов, что подтверждено актами и справками о внедрении, а также апробацией результатов на научно-технических конференциях различного уровня.

Реализация результатов работы. Диссертация выполнена в соответствии с основным направлением научно-исследовательской работы Таганрогского технологического института Южного Федерального Университета «Формальные системы, искусственный интеллект и системы принятия решений».

Основные результаты диссертационной работы использованы при выполнении научно-исследовательских работ, в том числе:

- в рамках выполнения НИР № 15551 «Разработка теории, моделей и методов принятия решений в интегрированных интеллектуальных системах на основе нечетких знаний и смешанного представления атрибутов» и № 15552 «Разработка теории, моделей и методов, основанных на использовании нечетких ситуационных систем и нечетких классификационных моделей для целей принятия решений в сложной пространственно-временной обстановке», выполняемых на кафедре прикладной информатики Таганрогского технологического института Южного федерального университета в 2006-2010 г.г.;

- при выполнении хоздоговорных НИР, выполняемых Ростовским областным центром новых информационных технологий (РОЦ НИТ) при Южном федеральном университете в 2007-2010 г.г.

Использование результатов диссертационной работы подтверждаются соответствующими актами.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на международных научно-технических конференциях и молодежных научных конференциях "Интеллектуальные САПР" (Дивн оморск, 2007-2009 г.г.); VIII, IX , X Всеро ссийских научных конференциях студентов и аспирантов "Техническая кибернетика, радиоэлектроника и системы управления" (Таганрог, 2007, 2008, 2009 г.г.); III Межгосударственной научно-практической конференции "Экономико-организационные проблемы проектирования и применения информационных систем" (Ростов-на-Дону, 2008 г.), XII Всероссийской научной конференции молодых ученых и аспирантов "Новые информационные технологии. Разработка и аспекты применения" (Таганрог, 2009 г.); на ежегодных научно-технических конференциях профессорско-преподавательского состава, аспирантов и сотрудников ТТИ ЮФУ.

Публикации. Результаты диссертации отражены в 10 печатных работах, в том числе в 5-ти, рекомендованных ВАК.

Основные положения диссертации, выносимые на защиту:

1. Разработка и исследование нечетких моделей представления пространственно-временных данных для задач обработки видеоизображений.

2. Алгоритм распознавания сцен при обработке видеоизображений.

3. Информационная система автоматического распознавания сцен и анализа действий объектов на видеокадре.

4. Модель обобщенного гиперграфа для описания сцен.

5. Результаты экспериментов с использованием методов интеллектуального анализа данных и разработанного программного комплекса.

Структура и объем работы. Диссертационная работа состоит из введения, 3 основных глав, заключения, списка использованной литературы и 3 приложений.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Целых, Юлия Александровна

Основные результаты диссертационной работы использованы и при выполнении научно-исследовательских работ и в учебном процессе вуза, что подтверждается соответствующими актами.

ЗАКЛЮЧЕНИЕ

В ходе проведенных исследований получены следующие основные научные и практические результаты:

1. Разработаны и исследованы нечеткие модели на основе пространственно-временных атрибутов для описания положения объектов на видеокадре, использование которых позволило проводить интеллектуальный анализ видеопотоков данных, аналогичный деятельности человека-оператора.

2. Предложены принципы создания интеллектуальных систем обработки изображений и определены требования к основным параметрам и характеристикам таких систем, что позволило разработать комплексную систему мониторинга динамических объектов и осуществить ее практическое применение в задачах обработки видеоизображений.

3. Введено понятие гиперграфа специального вида — обобщенного гиперграфа. Такая модель может отображать как отношения целых групп элементов, так и отношения между отдельными элементами. Предложенная модель использовалась для описания сцен при формировании сценариев и ситуаций в системах анализа видеоизображений.

4. Разработан алгоритм работы системы мониторинга динамических объектов, реализующий поиск и слежение за компонентами объекта для анализа видеокадров и распознавания сцен, что позволило получить достоверные результаты при анализе видеоизображений большого объема и сложной структуры.

Список литературы диссертационного исследования кандидат технических наук Целых, Юлия Александровна, 2010 год

1. Анисов, 2001. Анисов A.M. Свойства времени // Логические исследования. Выпуск 8. М.: Наука, 2001. - 320 е.; С.5-25.

2. Байгарова и др., 2002. Байгарова Н.С., Бухштаб Ю.А., Евтеева Н.Н., Корягин Д.А. Некоторые подходы к организации содержательного поиска изображений и видеоинформации/ Институт прикладной математики им. М. В. Келдыша РАН. Москва, 2002.

3. Барсегян и др., 2004. Барсегян А., Куприянов М., Степаненко В., Холод И. Методы и модели анализа данных: OLAP и Data Mining. Учебное пособие. -СПб.: БХВ-Петербург, 2004.

4. Беллман, Заде, 1976. Беллман Р., Заде J1. Принятие решений в расплывчатых условиях. В. кн.: Вопросы анализа и процедуры принятия решений. — М.: Мир, 1976. С. 172-215.

5. Берж, 1962. Берж К. Теория графов и ее применения. — М.: Иностранная литература, 1962. 320 с.

6. Берштейн, Мелихов, 1980. Берштейн J1.C., Мелихов А.Н. Конечные четкие и расплывчатые множества. Часть 1. Четкие множества. — Таганрог: ТРТИ, 1980.

7. Берштейн, Мелихов, 1981. Берштейн J1.C., Мелихов А.Н. Конечные четкие и расплывчатые множества. Часть 2. Расплывчатые множества. Таганрог: ТРТИ, 1981.

8. Берштейн и др., 1990. Берштейн J1.C., Мелихов А.Н., Коровин С .Я. Ситуационные советующие системы с нечеткой логикой. — М.: Наука, 1990. — 272 с.

9. Берштейн и др., 1991. Берштейн J1.C., Боженюк А.В., Малышев Н.Г. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991.- 136 с.

10. Берштейн, Сергее в, 20 ОЗЬ. Б ерштейн Л.С., Сергеев Н.Е. Использование составных и усеченных лингвистических переменных. Труды IEEE AIS'03. — М.: Издательство Физико-математической литературы, 2003 — С. 130-137.

11. Берштейн, Сергеев, 2003с. Берштейн JI.C., Сергеев Н.Е. Использование нечетких множеств (переменных) третьего порядка для мониторинга подвижного объекта. Труды IEEE AIS'03. М.: Издательство Физико-математической литературы, 2003. С.141-146.

12. Берштейн, Боженюк, 2005. Берштейн JI.C., Боженюк А.В. Нечеткие графы и гиперграфы. М.: Научный мир, 2005. - 256 с.

13. Боженюк и др., 2009. Боженюк А.В., Котов Э.М., Целых А.А. Интеллектуальные Интернет-технологии. — Учебник для ВУЗов. — Издательство Феникс, 2009. — 382 с.

14. Борисов и др., 1982. Борисов А.Н., Алексеев А.В., Крумберг и др. Модели принятия решений на основе лингвистической переменной. — Рига: Знание, 1982.-256 с.

15. Борисов и др., 1989. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечёткой информации в системах принятия решений. М.: Радио и связь, 1989.-304 с.

16. Варосян, Поспелов, 1982. Варосян С.О., Поспелов Д.А. Неметрическая пространственная логика. / Известия АН СССР. Техническая кибернетика. 1982, № 5. С.86-89.

17. Вежвенец, Баринова, 2006. Вежневец А., Баринова О. Методы сегментации изображений: автоматическая сегментация, Выпуск №4, 2006.

18. Вишняков, 1989. Вишняков Ю.С., Сулейманов Б.С. Построение алгоритмов распознавания для обработки видеоизображении, корректных для заданной контрольной выборки М.: Наука, 1989. — 126 с.

19. Гаврилова, Хорошевский, 2001. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. — 384 с.

20. Городецкий и др., 1998. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искусственного интеллекта. — 1998.-№2. С.64-116.

21. Домбровский, 2007. Домбровский Б. Каким временем мы пользуемся? (Этическая концепция времени) — философско-литературный журнал Логос. -2007.-№2. С.75-97.

22. Дюк, Самойленко, 2001. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — Изд-во «Питер», 2001. 368 с.

23. Ежкова, Поспелов, 1977. Ежкова И.В., Поспелов Д.А. Принятие решений при нечетких основаниях: Универсальная шкала. Известия АН СССР. Серия «Техническая кибернетика», №6. 1977.

24. Заде, 1974. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. — М.: Знание, 1974. С.5-49.

25. Заде, 1976. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. — М.: Мир, 1976, 165 с.

26. Заде, 1980. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе. В кн.: Классификация и кластер. -М.: Мир, 1980. С.208-247.

27. Зыков, 1974. Зыков А.А. Гиперграфы. Успехи математических наук, Т. 29, выпуск № 6, 1974. С.89-154.

28. Зыков, 1987. Зыков А. А. Основы теории графов. М.: Наука, 1987. 384 с.

29. Ильин, 2003. Ильин Е.П. Психомоторная организация человека: Учебник для ВУЗов. СПб.: Питер, 2003. - 384 с.

30. Кандрашина и др., 1989. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. М., Наука, 1989. - 328 с.

31. Карчин, 2008. Карчин А.П. «Методы кластеризации для поиска видеоинформации», Автореферат квалификационной работы магистра. — 2008.

32. Касьянов и др., 2003. Касьянов В.Н., Евстигнеев В.А. Графы в программировании: обработка, визуализация и применение. — СПб.: БХВ-Петербург, 2003.

33. Киселев, Соломатин, 1997. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. — Открытые системы, № 4, 1997, С.41-44.

34. Ковалев и др., 2001. Ковалев С.М., Шабельников А.Н. Автоматическое построение нечетких темпоральных систем на основе обучающих примеров. Известия ТРТУ №4, 2001. Тематический выпуск: «Интеллектуальные САПР». Таганрог: Издательство ТРТУ, 2001. 257 с.

35. Ковалев, 2001а. Ковалев С.М. Темпоральные модели анализа сложных динамических процессов на основе нечетких ориентированных гиперграфов. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. -Таганрог: Изд- во ТРТУ, 2001. С.96-101.

36. Ковалев, 2001b. Ковалев С.М. Нечеткие темпоральные системы в моделях анализа акустических процессов. Материалы международного конгресса «Искусственный интеллект в 21 веке». Москва. Физматлит, 2001. 847 с.

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

38. Кристофидис, 1981. Кристофидис Н. "Теория графов" М.: Наука, 1981, 384 с.

39. Кьюсиак, 1991. Искусственный интеллект. Применение в интегрированных производственных системах. Под ред. Э.Кьюсиака. — М.: Машиностроение, 1991.

40. Мартинес, 1990. Мартинес Ф. Синтез изображений. Принципы, аппаратное и программное обеспечение: Пер. с франц. — М.: Радио и связь, 1990.

41. Минский, 1979. Минский М. Фреймы для представления знаний: Пер. с англ. М. Энергия, 1979. - 159 с.

42. Оре, 1986. Оре О. Теория графов. М.: Наука, 1986. - 352 с.

43. Паклин, 2006. Паклин Н. Алгоритмы кластеризации на службе Data Mining, 2006.

44. Пегат, 2009. Пегат А. Нечеткое моделирование и управление: Пер. с англ. — М.: Бином. Лаборатория знаний, 2009. 798 с.

45. Попов, 1990. Попов Э. Справочник: Искусственный интеллект: в 3 книгах. Книга 1. Системы общения и экспертные системы: Справочник под ред. Э.В.Попова-М.: Радио и связь, 1990.-464 с.

46. Поспелов, 1986. Нечеткие множества в моделях управления и искусственного интеллекта // Под ред. Д.А.Поспелова. — М.: Наука, 1986.

47. Поспелов, 1997. Поспелов Д.А. От коллектива автоматов к мультиагентным системам // In Proc. of the Intern. Workshop "Distributed Artificial Intelligence and Multi-agent System", St-Petersburg, 1997.

48. Поспелов, 1998. Поспелов Д.А. Многоагентные системы настоящее и будущее // Информационные технологии и вычислительные системы, № 1, 1998, С.14-21.

49. Рассел, Норвиг, 2006. Рассел С., Норвиг С. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. М.: Издательский дом "Вильяме", 2006.- 1408 с.

50. Сергеев и др., 2003. Сергеев Н.Е., Зарницин В.П. Фреймовые модели и перспективы использования в них мягких вычислений. Известия ТРТУ №2. Таганрог, 2003.

51. Сергеев, 2004а. Сергеев Н.Е. Нечеткие модели инструментальных двигательных действий оператора. Монография. — Изд-во Ростовского университета. Ростов-на-Дону, 2004. 136 с.

52. Сергеев, 2004b. Сергеев Н.Е. Моделирование инструментальных двигательных действий оператора. Монография. Издательство Ростовского университета. Ростов-на-Дону, 2004. 94 с.

53. Сергеев, 2004с. Сергеев Н.Е. Представление перемещения объектов в пространстве при помощи лингвистических переменных. Известия ТРТУ № 1. Таганрог, 2004. С.270-273.

54. Сергеев, Целых, 2009а. Сергеев Н.Е., Целых Ю.А. Информационная система автоматического описания сцен по видеоизображениям // Известия ЮФУ. Технические науки. №3. Таганрог: ЮФУ, 2009. С.253-259.

55. Сергеев, Целых, 2009b. Сергеев Н.Е., Целых Ю.А. GH-модели социальных сетей // Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2009, №1. - С.90-95.

56. Стефанюк, 1997. Стефанюк B.JI. От многоагентных систем к коллективному поведению // In Proc.of the Intern. Workshop "Distributed Artificial Intelligence and Multi-agent System", St-Petersburg, 1997.

57. Тарасов, 1998. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. — 1998. — №2. С.5-63.

58. Тарасов, 2002. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям // Науки об искусственном. — М.: Эдиториал УРСС, 2002. 352 с.

59. Тимофеев, 1999. Тимофеев А.В. Мультиагентные системы планирования поведения транспортных роботов в среде с препятствиями // Экстремальная робототехника. X научно-техническая конференция. Санкт-Петербург, 1999.

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

61. Уилсон, 1977. Уилсон Р. Введение в теорию графов. М.: Мир, 1977.

62. Уэно и др., 1989. Уэно X., Кояма Т., Окамото Т., Мацуби Б., Исидзука М. Представление и использование знаний. М.: Мир, 1989. - 220 с.

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

64. Фукунага, 1979. Фукунага К.: "Введение в статистическую теорию распознавания образов" М.: Наука, 1979. - 368 с.

65. Чубукова, 2006. Чубукова И.A. Data Mining. М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. - 382 с.

66. Харари, 1973. Харари Ф. Теория графов, Москва, Мир, 1973.

67. Холод, 2008. Холод И., Степаненко В., Куприянов М., Барсегян А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. -BHV, 2008.-384 c.

68. Целых, 2004. Целых Ю.А. Особенности моделирования процедур принятия решений в интегрированных интеллектуальных системах // Перспективные информационные технологии и интеллектуальные системы, № 2/2004 (18). -Таганрог, Изд-во ТРТУ. С. 11-14.

69. Целых, 2004а. Целых Ю.А. Нечеткие модели поиска информации в гипертекстовой среде // Перспективные информационные технологии и интеллектуальные системы, № 4/2004 (20). — Таганрог, Изд-во ТРТУ. С.57-61.

70. Целых, 2008. Целых Ю.А. Теоретико-графовые методы анализа нечетких социальных сетей // Программные продукты и системы. №2 (82), 2008. С.48-50.

71. Целых, 2009. Целых Ю.А. Мультиагентная реализация описания сложных сцен по видеоизображениям // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». Таганрог: Изд-во ТТИ ЮФУ, 2009, № 12(101).-С. 149-153.

72. Шилов, 2003. Шилов А.А. О Классификации графов, организационное управление и искусственный интеллект // Труды института системного анализа Российской академии наук. М.: Едиториал УРСС, 2003. С.395-420.

73. Электронный ресурс 1. Knowledge Discovery in Databases обнаружение знаний в базах данных // BaseGroup.ru http://www.basegroup.ru/library/methodology/kdd]

74. Ягер, 1986. Ягер Р. Нечеткие множества и теория возможностей. Последние достижения. — М: Радио и связь, 1986.

75. Berge, 1985. Berge С. Graphs (second revised edition), North Holland, Amsterdam - New York - Oxford, 1985.

76. Berge, 1989. Berge C. Hypergraphs: combinatorics of finite sets // (North-Holland mathematical library; v. 45), 1989.

77. Cook, Holder, 2007. Diane J. Cook, Lawrence B. Holder Mining Graph Data. Wiley, 2007 502 p.

78. Emirbayer, 1997. Emirbayer M. Manifesto for a Relational Sociology. The American Journal of Sociology, Vol. 103, Issue 2. September 1997.

79. Holder, Cook, 2007. Holder L.B., Cook D.J. Mining Graph Data. Wiley, 2007. Pp.443-468.

80. Knoke, 1982. Knoke, D., Kuklinski J.H., 1982. Network analysis. Indiana University: Sage. Pp.7-21.

81. Nwana, 1996. Nwana H. Software Agents: an Overview // The Knowledge Engineering Review.-1996.-Vol.11, №3. Pp.205-244.

82. Togai, 1986a. Togai M., Watanabe H. A VLSI Implementation of Fuzzy-Inference Engine: Toward and Expert System on a Chip // Inf. Science 1986. № 38.

83. Togai, 1986b. Togai M., Watanabe H. Expert System on a Chip: an engine for real time approximate reasoning. // IEEE Expert. 1986. V. 1. № 3.

84. Tselykh, 2004b. Tselykh J.A. Decision Search Methods in a Fuzzy Semantic Network // Proceedings of International Conference «Intelligent Systems (IEEE AIS'04)». Scientific publication in 3 volumes. Vol. 3. — Moscow. "Fizmatlit", 2004. Pp. 18-21.

85. Turner, 1991. Turner, J.H., 1991. The structure of sociological theory. Belmont: University of California. Pp. 540-572.

86. Wasserman, Faust, 1994. Wasserman S., Faust, K., 1994. Social Network Analysis. Cambridge: Cambridge University Press. Pp. 3-66.

87. Wellman, 1983. Wellman B. Network analysis: some basic principles // Sociological Theory, Vol. 1,N.Y. 1983. l:Pp. 155-199.

88. Wellman, etc., 1988. Wellman В., Berkowitz, S.D., 1988. Social structures: a network approach. Cambridge, England: Cambridge University Press.

89. Witten, Frank, 2005. Witten I., Frank E. Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). Morgan Kaufmann, June 2005. 525 p.

90. Zadeh. Zadeh L.A. A theory of approximate reasoning (AR) // Machine Pp. 149-194.