Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Математическое моделирование характеристик планктонных популяций с использованием методов грануляции

Диссертация: Математическое моделирование характеристик планктонных популяций с использованием методов грануляции
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Для достижения поставленной цели в работе был решен ряд актуальных теоретических и практических задач: разработана новая парадигма обработки многомерных данных, которая должна позволять получение корректных результатов в условиях неопределенностиразработана единая математическая модель для многомерных данных различной физической природы (пространственных и цветовых свойств объекта мониторинга… Читать ещё >

Содержание

  • ГЛАВА I. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ФИЗИЧЕСКИХ ПРОЦЕССОВ ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА
  • Введение
    • 1. 1. Базовые модели роста и формирования колоний фитопланктона
    • 1. 2. Математические модели пятнистости фитопланктона
    • 1. 3. Разработка гранулированной модели пространственных свойств популяций фитопланктона
    • 1. 4. Модель физики мониторинга и спектральные свойства фитопланктона
    • 1. 5. Модели физики зрения и цветности для систем анализа данных
    • 1. 6. Перцептуальные модели цветового зрения
    • 1. 7. Основные процедуры анализа многомерных данных экологического мониторинга
  • Выводы по главе
  • ГЛАВА II. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО АППАРАТА ОБРАБОТКИ И АНАЛИЗА ГРАНУЛИРОВАННЫХ МОДЕЛЕЙ ХАРАКТЕРИСТИК ПЛАНКТОННЫХ ПОПУЛЯЦИЙ
    • 2. 1. Парадигмы анализа многомерных данных
    • 2. 2. Парадигма вычислений фигурами на пространственных гранулах
    • 2. 3. Классификации и канонические формы неопределенных данных
    • 2. 4. Топологическая регуляризация многомерных данных
    • 2. 5. Основы метода оптимального регулярного представления
    • 2. 6. Уравнения инкапсулирующих гранул в различных системах координат
    • 2. 7. Разработка топологических бинарных отношений на гранулах
      • 2. 7. 1. Отношения взаимного положения
      • 2. 7. 2. Отношения взаимного направления
  • Выводы по главе
  • ГЛАВА III. РАЗРАБОТКА АЛГОРИТМОВ АНАЛИЗА ХАРАКТЕРИСТИК ГРАНУЛИРОВАННЫХ МОДЕЛЙ
    • 3. 1. Алгоритмы интеллектуальной сегментации данных
    • 3. 2. Алгоритм гранулирования данных на сетках
    • 3. 3. Алгоритм интеллектуальной фильтрации данных
    • 3. 4. Оценки временной сложности основных алгоритмов интеллектуальной фильтрации данных
  • Выводы по главе
  • ГЛАВА IV. ПРИМЕНЕНИЕ АЛГОРИТМОВ ОБРАБОТКИ И АНАЛИЗА ГРАНУЛИРОВАННЫХ МОДЕЛЕЙ МНОГОМЕРНЫХ ДАННЫХ ХАРАКТЕРИСТИК ПЛАНКТОННЫХ ПОПУЛЯЦИЙ
    • 4. 1. Выбор программных средств реализации
    • 4. 2. Применение разработанного комплекса программ в задачах анализа цветовой информации мониторинга
    • 4. 3. Сравнительный анализ разработанного программного комплекса и известных средств анализа изображений
  • Выводы по главе

Математическое моделирование характеристик планктонных популяций с использованием методов грануляции (реферат, курсовая, диплом, контрольная)

В связи с увеличением мобильности всех отраслей производства и транспортировки продукции, в настоящее время особенно актуальны системные задачи контроля, предсказания и управления [1−3] ресурсами, связанными с распространением промышленных процессов, на экосистемы и биологические ресурсы [4,5], несущие значительную нагрузку при росте и перемещении промышленных систем [6−8]. Основная задача в области предсказания и управления поведением экосистем состоит в накоплении, систематизации и анализе информации о количественном характере взаимоотношений между живыми организмами и средой их обитания с целями:

• Получения оценок качества изучаемых экосистем [9,10];

• Выявления причин наблюдаемых и вероятных структурно-функциональных изменений биотических компонентов и адресная индикация источников и факторов негативного внешнего воздействия [11,12];

• Прогнозирования устойчивости экосистем и допустимости изменений и нагрузок на среду в целом [13];

• Оценке существующих резервов биосферы и тенденций в их исчерпании (накоплении) [14−16].

С математической точки зрения биосфера является сложной системой в современном понимании этого термина [17−19]. По этой причине многие классические методы теории систем, применимые к большим техническим (искусственным) системам [20,21], являются практически бесполезными при применении к большим экологическим системам [22−24]. Необходимо применение специального инструментария анализа больших объемов данных [25−29], интеллектуального анализа данных, в том числе нового направления, именуемого «добычей знаний» (Data Mining) из больших объемов данных [30−33]. В результате, необходимость постоянного прогноза поведения сложной самоорганизующейся системы [21], каковыми являются экологические системы [23], приводит во-первых, к необходимости накопления большого объема данных о поведении системы и, во-вторых, к применению нечисловых (интеллектуальных) методов анализа таких разнородных и многомерных данных. Эти цели достигаются в процессе проведения мониторинга поверхности Земли, и, особенно, поверхности Океана.

Термин «мониторинг» появился перед проведением Стокгольмской конференции ООН по окружающей среде в 1972 г. Под мониторингом понимают систему непрерывного наблюдения, измерения и оценки состояния окружающей среды [36]. В процессе мониторинга предполагается последовательная реализация двух указанных выше основных задач:

1. Обеспечение непрерывного накопления и первичной обработки комплекса данных, характеризующих экосистему в целом, которые моделируются многомерными структурами данных;

2. Анализ накопленных данных в форме, попятной для человека («прозрачность» получаемых результатов) и отбрасывание второстепенных, незначащих данных.

В целом согласно [37] структура системы мониторинга соответствует схеме Рис. 1.

Информационная система (мониторинг).

Наблюдения v.

Прогноз состояния.

Оценка фактического состояния.

JH т.

Оценка > прогнозируемого состоянияI V.

Управление.

РегулированиеЧ качества среды.

I Ч Прямая связь > Обратная связь.

Рис. 1. Блок-схема системы мониторинга окружающей среды.

Поскольку сообщества живых организмов замыкают на себя все процессы, протекающие в экосистеме, ключевым компонентом мониторинга окружающей среды является мониторинг состояния биосферы или биологический мониторинг. Согласно [39] биологический мониторинг — определение состояния живых систем на всех уровнях организации и отклика их на загрязнение среды — метод биоиндикации [47].

Классы объектов мониторинга и структура общего мониторинга многомерных данных в экологии изображены на Рис. 2. Л.

Мониторинг окружающей среды.

Биомониторинг.

Воздушный мониторинг Л.

Водный мониторинг.

7Y.

Другие I юниторинп] V lz.

Почвенный I гонитпринг.

Геологический мониторинг.

Ч.

Подсистема сбора и обработки информации.

Прогноз состояния биосферы.

Isn ii.

Органы управления.

Рис. 2. Подсистемы экологического мониторинга Морской фитопланктон представляет значительный интерес с точки зрения экологического мониторинга ввиду его повсеместного распространения и большого значения в биологической продуктивности Мирового океана [7]. В силу физических особенностей фитопланктона, его мониторинг представляет собой наименее сложную задачу, нежели использование для биоиндикации других видов [10].

В системах биологического мониторинга мы имеем дело не с классическими измерениями, как в технических системах, а с расплывчатыми понятиями слежения, наблюдения, оценки и т. п., что вполне естественно для состояния сложной (биологической, а, следовательно, синергетической) системы. В настоящее время основные методы проведения биомониторинга основываются на ГИС-технологиях [41,42]. Развитие визуальной интерпретации многомерных данных и ГИС-технологий связано, в частности, с тем, что человеку с его ограниченным трехмерным пространственным воображением сложно, а в большинстве случаев невозможно, анализировать и давать обобщенные оценки многомерным объектам [43,44]. В [29] эколо-го-информационная система (ЭИС) определяется как автоматизированная экспертная система по экологии и природоохранной деятельности, которая включает всю располагаемую совокупность данных мониторинга. Такая структура основана на традиционной классификации компонентов программного обеспечения [42,45,46]. Как правило, разработчики ЭИС пытаются использовать представленные на рынке версии стандартных СУБД, ГИС и КП, поскольку большинство из приведенных выше подзадач ЭИС сводятся к типовым алгоритмическим решениям. Некоторые из стандартных комплексов программ указаны ниже:

• Системы управления базами данных: MS Access, MS Visual FoxPro, Paradox, Clarion, MS SQL Server, Oracle, SyBase и т. д. [28,36];

• Геоинформационные системы: Arclnfo, Maplnfo, Ингео, Manifold System, ObjectLand, GeoGraph, Карта-2000 и другие [42];

• Пакеты статистических программ: Statistica, Statgraphics, SPSS, SAS, Minitab, Systat, Stadia, САНИ, Мезозавр и т. д. [28,45].

Вместе с тем, можно отметить, что ряд подзадач, которые должны быть реализованы в комплексе программ ЭИС, в частности, задачи связанные с подсистемами биоиндикации, требуют отдельного рассмотрения [16]. Это связано с тем, что в реальных системах измерений получаются данные, обладающие неполнотой, неточностью, противоречивостью и другими факторами. На эту особенность указывал еще основоположник применения статистических методов в теории систем Н. Винер [48]. Систематизация факторов, влияющих на точность, полноту и другие численные характеристики моделей для биологических систем, была проведена в работах А. С. Нариньяни, который и дал им общее название НЕ-факторы [32]. В ЭИС основные данные, особенно полученные методом биоиндикации, являются итогом сложного процесса косвенных измерений [39,47].

Отметим, что большинство участвующих в описании экологической ситуации объектов (река, озеро, бассейн, и т. д.) носят расплывчатый характер с точки зрения ГИС [44]. Соответственно этой неопределенности, многие параметры участвующих в ЭИС объектов [46] также приобретают нечеткий характер (расстояние до устья, условия отбора и т. д.) [30]. Примеры визуального мониторинга состояния вод с помощью отдельных видов фитопланктона приведены на следующих рисунках. Периодически прибрежные воды Норвегии в Норвежском и Баренцевом морях приобретают меловой или молочно-зеленоватый цвет благодаря вспышке развития кокколи-тофорид (Coccolithus huxleyi) [86].

Рис. 3. Бурное развитие кокколитофорид в западной части Баренцева моря на снимке со спутника Terra. О NASA.

Этот пример показывает, что важнейшей чертой ЭИС (в сравнении с ГИС) является системность данных и выводов (см. Рис. 3). Это означает наличие сложных (часто плохо формализуемых в терминах классической математики) связей между отдельными компонентами системы, взаимное влияние параметров различных компонентов и т. п. [13,14,17,33].

Для подобных систем в работах L. Zadeh сформулирован принцип несовместимости:

Точность описания системы обратно пропорциональна ее слоэюности.

В этой связи специалист по теории систем G. Klir пишет: «Одним из способов работы с очень сложными системами, возможно, самым важным, является допущение неточности при описании данных» [35].

Реализованные в стандартных комплексах программ традиционные методы компьютерных вычислений (hard computing) [45,46] слишком точны для реального мира [31], в особенности для биологических систем. Получаемые числовые оценки параметров создают лишь иллюзию точности, а многие расплывчатые понятия вообще не могут использоваться в типовых комплексах программ [27−29].

В связи с необходимостью развития теоретических основ и практических методов моделирования сложных экологических систем и их биологических подсистем и с ограниченностью классических методов анализа данных применительно к указанным выше задачам ЭИС, необходима разработка новых интеллектуальных методов обработки и анализа данных, допускающих получение качественных оценок состояния экологических систем, с помощью многомерных данных, полученных с помощью различных биоиндикаторов.

Для решения подобного класса задач в классе искусственных (технических) систем L. Zadeh был предложен 1994 г. на семинаре в Беркли интегрирующий (зонтичный) термин мягкие вычисления {soft computing) [32].

В [30,31] дана современная классификация видов неопределенности. В ней различаются неизвестность, неполнота и недостоверность информации, причем выделяются ситуации физической (объективной, стохастической) и лингвистической (субъективной) недостоверности [32]. Современная теория неопределенности предоставляет ряд взаимосвязанных мер для данных, содержащих НЕ-факторы. Математическую основу, объединяющую описанные выше эмпирические подходы, исследованные в области психологии и анализа информативности искусства, составляет теория информационной грануляции (ТИТ) в формулировке J1. Задэ [50,51]. Необходимо развитие как математического аппарата моделирования многомерных данных на основе методов ТИТ, так и разработка новых видов отношений (перцептуальных отношений) на моделях изображений, позволяющих практически реализовать все преимущества заявленного в [50,51] подхода.

Целью диссертационной работы является разработка приближенных математических моделей планктонных популяций в задачах мониторинга поверхности Мирового океана. Эти модели должны строиться на основе современной теории неопределённости данных и должны обеспечивать разработку математически корректных методов и эффективных алгоритмов интеллектуальной обработки многомерных данных в условиях неопределённости на всех этапах работы, а также представление результатов анализа данных в доступной восприятию лингвистической форме.

Задачи диссертационной работы, которые необходимо решить для достижения поставленной цели, включают в себя:

• Разработку новой парадигмы обработки многомерных данных, которая должна позволять получение корректных результатов в условиях неопределенности ;

• Разработку единой математической модели для многомерных данных различной физической природы (пространственных и цветовых свойств объекта мониторинга), которая должна обеспечивать их топологии чески регулярное гранулированное представление;

• Разработку метода оптимального представления многомерных данных в гранулированной форме для использования в новой модели;

• Разработку методологии анализа гранулированных многомерных данных, позволяющую использовать топологические отношения;

• Разработку высокоэффективного комплекса алгоритмов, реализующих разработанную методологию и оценку его временной сложности;

• Создание комплекса программных средств на базе разработанных алгоритмов, позволяющих в реальном масштабе времени проводить анализ многомерных данных;

• Проведение сравнительного, анализа применения полученной методики и алгоритмов интеллектуальной обработки многомерных данных с имеющимися в данной области результатами.

Практическая ценность результатов исследований определена их применением для решения задач проектирования и разработки автоматизированных информационных систем анализа многомерных данных, в том числе изображений различных классов, для целей экологического мониторинга.

Диссертационная работа состоит из введения, четырех глав, заключения, списка источников и приложений.

Выводы по главе.

В главе рассмотрены аппаратные и программные средства, позволяющие реализовать разработанную в диссертационной работе архитектуру мягких вычислений и проведен сравнительный анализ, завершившийся выбором программной реализации в среде пакета MATLAB.

На основе этих данных разработан комплекс программ для решения задач обработки и анализа многомерных данных (на примере изображений) в условиях неопределенностей различного вида, свойственных задачам экологического мониторинга.

С помощью разработанного программного комплекса решена задача анализа данных пассивного мониторинга поверхности моря по оцифрованным изображениям, получаемых со средневысотных ИСЗ. Программный комплекс позволяет выделять различные объекты на предъявляемых изображениях, которые необходимы для контроля и географической привязки данных мониторинга. Выделение пятен фитопланктона позволяет анализировать их структуру и изменчивость, что невозможно при визуальном контроле оператором.

Был проделан также ряд экспериментов для оценки количественных показателей качества разработанного программного комплекса в сравнении с известными системами классификации изображений из Интернет. Эксперименты проводились с базами изображений, содержащих как аддитивные, так и мультипликативные (структурные) помехи, формируемые в соответствии с моделями, разработанными в Главе I применительно к задаче пассивного оптического зондирования.

Анализ результатов экспериментов показал высокое качество обработки и классификации изображений разработанным программным обеспечением, значительно превосходящее результаты, полученные в тех же условиях для стандартных средств.

ЗАКЛЮЧЕНИЕ

.

В соответствии с поставленной целью в диссертационной работе разработаны приближенные математические модели планктонных популяций в задачах мониторинга поверхности Океана. Эти модели строятся на основе современной теории неопределённости данных и обеспечивают разработку математически корректных методов и эффективных алгоритмов интеллектуальной обработки многомерных данных в условиях неопределённости на всех этапах работы, а также представление результатов анализа данных в доступной восприятию лингвистической форме.

Для достижения поставленной цели в работе был решен ряд актуальных теоретических и практических задач: разработана новая парадигма обработки многомерных данных, которая должна позволять получение корректных результатов в условиях неопределенностиразработана единая математическая модель для многомерных данных различной физической природы (пространственных и цветовых свойств объекта мониторинга), которая должна обеспечивать их топологически регулярное гранулированное представлениеразработан метод оптимального представления многомерных данных в гранулированной форме для использования в новой моделиразработана методология анализа гранулированных многомерных данных, позволяющая использовать топологические отношенияразработан высокоэффективный комплекс алгоритмов, реализующих эту методологиюполучены оценки сложности.

В результате были получены следующие новые научные результаты: создана математическая модель базового элемента гранулированного представления многомерных данных, характеризующих планктонные популяции, которая допускает алгебраическое представление и использование алгебраических методов анализа элементов данных (гранул) — разработана математическая модель инкапсулирующей гранулы для представления многомерных данных, отличающаяся от известных тем, что ее форма инвариантна в различных системах координатразработан метод оптимального гранулирования многомерных данных на основе покрытия инкапсулирующими гранулами по критерию максимального правдоподобияразработан метод построения полной системы топологических отношений на гранулированных данных, которые позволяют формализовать взаимное отношение непересекающихся элементов (гранул) — разработаны алгоритмы оптимальной грануляции многомерных данных на основе топологических отношений на гранулах, имеющие степенную сложность.

Научные и практические результаты, полученные в диссертации, были апробированы на ряде всероссийских и международных научных конференций.

Практическая ценность результатов исследований определена их применением для решения задач интеллектуальной обработки и анализа многомерных данных, которые могут применяться в широком диапазоне задач анализа оптических данных мониторинга земной поверхности и разработкой реализующего эти задачи комплекса программ.

Практическая ценность результатов работы подтверждается актом о внедрении результатов диссертационной работы в Научно-образовательном центре комплексных исследований и математического моделирования техногенных и экологических систем для решения задач, связанных с разработкой программного комплекса для мониторинга экологического состояния Таганрогского залива Азовского моря.

Показать весь текст

Список литературы

  1. Р. Сообщества и экосистемы. М.: Прогресс, 1980. — 328 с.
  2. А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. — 311 с.
  3. Ю.З. К теории экологического прогнозирования // Экология. 1980. № 5. С. 36−41.
  4. В.В. Биосистемы в экстремальных условиях // Журн. общ. биол. 1991. Т. 52. № 6. С. 784−792.
  5. Ю.М., Логофет Д. О. Устойчивость биологических сообществ. М.: Наука, 1978. — 350 с.
  6. С.А. Динамика населения и приспособительная эволюция животных. М- Л.: Изд-во АН СССР, 1941. -316 с.
  7. .Я. Взаимодействующие популяции // Математическое моделирование в экологии. М.: Наука, 1978. С. 5−16.
  8. Динамическая теория биологических популяций / Под ред. Р.А. По-луэктова. М.: Наука, 1974.-456 с.
  9. Ли Н. Экологическая экспертиза. Учебное руководство. М.: Эко-прос, 1995.- 187 с.
  10. Eutrophication of Waters. Monitoring, Assesment and Control. // OESD, 1982, Paris, 154 pp.
  11. А.Д. Математическая биофизика взаимодействующих популяций. М.: Наука, 1985. — 180 с.
  12. П.М., Розенберг Г. С. Модельный штурм при исследовании экологических систем // Журн. общ. биол. 1983. Т. 44, № 2. С. 266 274.
  13. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным.-М.: Радио и связь, 1987.-118с.
  14. А.Б., Эпштейн Л. В. Имитационная система «Азовское море» инструмент анализа и прогнозирования // Математическое моделирование водных экологических систем. — Иркутск, ИГУ, 1978. С. 47−58.
  15. Г. С., Шитиков В. К., Брусиловский П. М. Экологическое прогнозирование (Функциональные предикторы временных рядов). Тольятти: ИЭВБ РАН, 1994а. — 182 с.
  16. В.Д., Устойчивость экологических систем и ее измерение // Изв. АН СССР. Сер. биол. 1974. № 3. С. 402−415.
  17. Дж. Введение в системный анализ: применение в экологии. М.: Мир, 1981.-252 с.
  18. В.И. Теория сложных геосистем. Киев: Наук, думка, 1978. -155 с.
  19. К.А. Системный подход в экологических исследованиях // Системные исследования. М.: Наука, 1977. С. 195−211.
  20. С.А., Бежаева З. И., Староверов О. В. Классификация многомерных наблюдений. М.: Статистика, 1974. — 240 с.
  21. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. — 118 с.
  22. А.В., Цугленок Н. В., Цугленок Г. И. Имитационные модели пространственно распределенных экологических систем. Новосибирск: Наука, 1999.- 190 с.
  23. К.М. Системный подход в экологии // Системные исследования. М.: Наука, 1970. С. 118−122.
  24. Ю.М. Нелинейные волны, диссипативные структуры и катастрофы в экологии. М.: Наука, 1987. — 368 с.
  25. Л. Идентификация систем.- М.: Мир, 1975.
  26. Information technology Open Systems Interconnection — Security Frameworks for Open System: Authentication framework. ISO/1EC 10 181−2-96(E).
  27. И.В. Анализ и обработка данных: Специальный справочник. С-Пб.: Питер, 2001, 752 с.
  28. Д.О. Проблемы информационного поиска: (Эффективность, автоматическое кодирование, поисковые стратегии) М.: Финансы и статистика, 1981. 207 с.
  29. А.Д. Информационные модели природных комплексов. М.: Наука, 1975.- 126 с.
  30. Yao Y. Granular Computing: basic issues and possible solutions, Proceedings of the 5th Joint Conference on Information Sciences, pp. 186−189, 2000.
  31. Zadeh L.A. Fuzzy sets and information granularity // in Advances in Fuzzy Set Theory and Applications, Gupta, N., Ragade, R. and Yager, R. (Eds.), North- Holland, Amsterdam, 1979, pp. 3−18.
  32. И.З., Недосекин А. О., Стецко А. А., Тарасов В. Б., Язенин А. В., Ярушкина Н. Г. Нечеткие гибридные системы. Теория и практика // Под ред. Н. Г. Ярушкиной М.: Физматлит-2007.
  33. Г. Синергетика М., 1985.
  34. Д.О., Свирежев Ю. М. Концепция устойчивости биологических систем // Проблемы экологического мониторинга и моделирования экосистем. Л.: Гидрометеоиздат, 1983, Т. 6. С. 159−171.
  35. G.KlirandB. Yuan, Fuzzy sets and fuzzy logic: theory and applications. Prentice Hall, Upper Saddle River, NJ, 1995.
  36. В.К., Розенберг Г. С., Зинченко Т. Д. Количественная гидроэкология: методы системной идентификации. Тольятти: ИЭВБ РАН, 2003.-463 с.
  37. Ю.А. Глобальная система наблюдений. 11рогпоз и оценка изменений состояния окружающей природной среды. Основы мониторинга // Метеорология и гидрология. 1974. № 7. С. 3−8.
  38. Ю.А. Концепция мониторинга состояния биосферы // Мониторинг состояния окружающей природной среды. Тр. 1 советско-английского симпозиума. Л.: Гидрометеоиздат, 1977, С. 10−25.
  39. B.C. Биомониторинг, его значение и роль в системе экологического мониторинга и охране окружающей среды // Методологические и философские проблемы биологии. Новосибирск. Наука, 1981. С. 341−354.
  40. Н.Ф. Природопользование: Словарь-справочник. М.: Мысль, 1990.-637 с.
  41. К.С. Основы биологического мониторинга. М.: МГУ, 1985.- 158 с.
  42. С.В. Геоинформационные системы и методы их создания. -М.: 1998.-252 с.
  43. Newell, A. and Simon, Н.А. Human Problem Solving. Prentice-Hall, 1972.
  44. E., Hahn M. «Integration of Image Analysis and GIS». // In: Fritch D. (Editor) ISPS Commission IV Symposium «GIS between Vision and Applications», Stutgart, Germany, 1999, pp. 669−676.
  45. В., Круглов В. Математические пакеты расширения МАТЛАБ. Специальный справочник. СПб.: Питер, 2001. — 480 с.
  46. Г. С., Шитиков В. К., Мозговой Д. П. Экологическая информатика: Учебное пособие. Самара: Изд-во Самар. ун-та, 1993.—151 с.
  47. Биоиндикация: теория, методы, приложения / Под ред. Г. С. Розен-берга. Тольятти: Изд-во Интер-Волга, 1994. — 266 с.
  48. Н. Кибернетика. М., Советское радио, 1953.
  49. А.Н., Батыршин И. З., Блишун А. Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта // Под ред. Д. А. Поспелова. М.: Наука, 1986. — 3 12 с.
  50. Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений. Математика сегодня, М., Знание, 1974. с. с. 5−48.
  51. Zadeh L.F. PRUF A meaning representation language for natural languages.//Int. J. Man-Machines Studies, vol. 10, pp. 395−460, 1978.
  52. Rosenfeld A. Geometric properties of sets of lines // Pattern Recognition Letters, 16(5): 549−556(1995).
  53. Rosenfeld A. Fuzzy Plane geometry: Triangles // Pattern Recognition Letters, 15(12): 1261−1264(1994).
  54. Tizhoosh H.R. Fuzzy image Processing: Potentials and State of the Art // In 5 th International Conference on Soft Computing, lizuka, Japan, vol. 1, 1998, pp. 321−324.
  55. Keller J., Matsakis P. Aspects of High Level Computer Vision Using Fuzzy Sets // Proceedings Int. Conf. on Fuzzy Systems, Seoul, Korea, 1999, pp. 847−852.
  56. С.А., Кривша В. В., Бутенков Д. С. Гранулированные вычисления в системах интеллектуального анализа пространственных данных. // В сб. трудов Международной конференции «ИАИ-2005», Киев, 17−20 мая 2005, с. 79−85.
  57. Zadeh L.A. From Computing with Numbers to Computing with Words -From Manipulation of Measurements to Manipulation of Perceptions. // IEEE Trans. On Circuits and Systems Fundamental Theory and Applications, vol. 45, No. 1, January, 1999, pp. 105−119.
  58. Оптико-электронные системы экологического мониторинга природной среды. / Под ред. В. Н. Рождествина, М.: МВТУ им. Баумана, 2003, 527 с.
  59. Camara, G., Egenhofer, М., Fonseca, F., and Monteiro, A. M. V. What’s in an Image. / in: Montello, D. R., (Ed.), Spatial Information Theory A Theoretical Basis for GIS // International Conference COSIT '01, Santa Barbara, CA, 2001.
  60. В.А., Сергеев В. В., Попов С. Б., Мясников В. В. Теоретические основы цифровой обработки изображений. Самара, СГАэУ, 2000, 257 с.
  61. К.Я., Мелентьев В. В. Космическая дистанционная индикация облаков и влагосодержания атмосферы. Л.:Гидрометеоиздат, 1987, 263 с.
  62. Peuquet, D., A Conceptual Framework and Comparison of Spatial Data Models. Cartographica, 1984. 21: p. 66−113.
  63. Camara, G., et al., SPRING: Integrating Remote Sensing and GIS with Object-Oriented Data Modelling. // Computers and Graphics, 1996. 15(6): p. 1322.
  64. В. С. Первичная продукция и культивирование морского фитопланктона. М., 1976. 247 с.
  65. Л. Л., Гавриленко М. Я. Цветение воды и эвтрофирование Киев 1978. -232 с.
  66. А. С. Красницкий В.П. Явления па поверхности океана. Л.:Гидрометеоиздат, 1985, 375 с.
  67. Гидрометеорология и гидрохимия морей СССР. Том V. Азовское море. / Под ред. Н. П. Гоптарева, А. И. Симонова, Б. М. Затучной, Д.Е. Герша-новича,-С-Пб.:Гидрометеоиздат, 1991, 257 с.
  68. Р. Структурное распознавание образов, гомоморфизмы и размещения. Кибернетический сборник. Новая серия: вып. 19.- М.: Мир, 1983, с.170−199.
  69. Rosenfeld A. Computer Vision and Image Understanding. // Elsevier Science, 84, 298−324 (2001).
  70. P., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976, — 511 с.
  71. A.M. Уравнения математической биологии.- М.:Высшая школа, 1995,301 с.
  72. Л.Я. Математические модели водных экосистем (обзор) // Математическое моделирование водных экологических систем. — Иркутск: ИГУ, 1978. С. 6−46.
  73. Г. Г., Анисимов С. И. Математическая модель водной экосистемы// Фотосинтез и рующие системы высокой продуктивности. М., 1966.-213—233 с.
  74. А. Б., Сурков Ф. А. О динамической модели функционирования водных сообществ Азовского моря / В кн.: Имитационное моделирование и экология. М., 1975. 63 с.
  75. Ю. А., Маркман Г. С. Пространственная и временная упорядоченность в экологических и биохимических системах. Ростов н/Д, 1986.- 120 с.
  76. Г. Я. Аэрокосмический мониторинг поверхностных вод (практические аспекты). М: Науч. совет по космич. исслед. для народн. хоз-ва МКС АН СССР. — 231 с.
  77. A.I., Nikitina A.V. «Application of parallel computers to solve space-heterogenious problem о Г ph у top lank ton dynamics», // ParCo Conferencesin cooperation with the University of Naples and the University of Pisa, Italy, 2001.
  78. A.I., Nikitina A.V., Kiriltchik C.V. «Numerical modeling of three-dimentional problem of phytoplankton community dynamics end pollution distribution», // Санкт-Петербург 2001, с. 112−118.
  79. T.B., Никитина А. В. Трехмерная гидродинамическая модель для водоемов с однородной водной средой. // Сб. трудов Всероссийской научной конференции «Радиоэлектроника, микроэлектроника, системы связи и управления», Таганрог: ТРТУ, 1997, с. 254−259.
  80. А.В., Пескова О. Ю. Разработка пространственных моделей биологических процессов. // Журн. «Известия ТРТУ», г. Таганрог, ! 999, N2, с. 203−207.
  81. А.В. «Математическое моделирование пространственно-неоднородной задачи биологической кинетики применительно к акватории Таганрогского залива „, // НТК 48, г. Таганрог, 2003 г. с. 174−175.
  82. Определитель пресноводных водорослей СССР. Выпуски 1−12. Под ред. ГоллербахаМ.М.-Л: Наука, 1982.
  83. В.В. Планктон морей и континентальных водоемов. Т. 2, — Л.: Наука, 1980.
  84. В. Д., Кафар-Заде Л. Экспериментальное исследование физиологической активности метаболитов (фильтратов) планктонных водорослей как регуляторов их численности в смешанных культурах. // Человек и биосфера. М., 1976. Вып. 1 175−196 с.
  85. Riley G. A. Factors Controlling Phytoplancton Populations on Georges Bank. —Mar. Res, 6, 54, 1946.
  86. A.H. Кривша В. В. Нечеткие методы классификации в интеллектуальных системах экологического мониторинга. // Журнал „Известия ТРТУ“. Таганрог, 2001, № 2, с. 144−147.
  87. А.Н., Кривша В. В., Бутенков С. А. Нечеткие геометрические признаки в задачах классификации и кластеризации. // Журнал &bdquo-Новости искусственного интеллекта“, вып. З, Москва, 2000, с. 129−133.
  88. А.Н., Бутенков С. А., Кривша В. В. Нечеткое представление и обработка геометрической информации // „Искусственный интеллект“, научно-теоретический журнал Национальной академии наук Украины, № 3, 2000, с. 466−474.
  89. Я.И. Системный подход в экологии // Системные исследования. М.: Наука, 1970. С. 114−118.
  90. С.П., Малинецкий Г. А., Потапов А. Б., Самарский А. А. Структуры в нелинейных средах //В сб. „Компьютеры и нелинейные явления“ М.: Наука, 1988, с.5−43.
  91. К.Я., Мелентьев В. В. Космическая дистанционная индикация облаков и влагосодержания атмосферы. Л.:Гидрометеоиздат, 1987, 263 с.
  92. Меньшикова Г. А, Полякова Н. В. Иллюзия Вазарели: геометрия линий паттерна определяет иллюзорный эффект. // В сб. трудов Международной конференции AIS'08, М.:Физматлит, 2008, т. 3, с. 68−72.
  93. L. A. „Outline of a new approach to the analysis of complex system and decision processes“ // IEEE Trans. Syst., Man, Cybern., vol. SMC-3, pp. 2844, 1973.
  94. Zadeh L.A. Fuzzy logic = computing with words. // IEEE Trans. Fuzzy Syst., vol. 4, pp. 103−111, 1996.
  95. Zadeh L. A. A theory of approximate reasoning. // Machine Intelligence, vol. 9, J. Hayes, D. Michie, and L. I. Mikulich (Eds.) New York: Halstead, 1979, pp. 149−194.
  96. Zadeh L. Toward a theory of fuzzy information granulation and its central-ity in human reasoning and fuzzy logic. // Fuzzy Sets Syst., vol. 90, pp. 111−127, 1997.
  97. Rosenfeld A. Fuzzy Rectangles // Pattern Recognition Letters, 11(10): 677−679(1990).
  98. Zadeh L.A. Shadows of fuzzy sets // Prob. Trans. Inform., 2., 1966. pp. 37−44.
  99. Dubois D., Farger H., Prade H. Possibility theory in constraint satisfaction problems: Handling priority, preference and uncertainty // Applied Intelligence., 6,(1996). pp. 287−309.
  100. Klein F. Elementarmathematik vom Hoheren Standpunkte Aus Erster Band, Berlin, Verlag von Julius Springer, 1924.
  101. С.А., Каркищенко A.H., Кривша В. В. Перцептуальный подход к анализу гранулированных изображений в интеллектуальных системах. //"Искусственный интеллект», научно-теоретический журнал Национальной академии наук Украины, № 3, 2003, с. 209−218.
  102. Erwig М., Schneider М. Vague Regions. // 5th Int. Symp. on Advances in Spatial Databases (SSD), LNCS 1262, 298−320, 1997.
  103. А.Н., Лепский А. Е. Оценивание кривизны точек плоского зашумленного контура. Некоторые вероятностные модели // Изв. ТРТУ. «Материалы Всерос. научно-техн. конф. „Интел. САПР-98“, Таганрог: ТРТУ, 1999, № 3(13), с. 194−197.
  104. А.Е., Броневич А. Г., Бачило С. А. Выделение контрольных точек на основе меры информативности контура // В сб. трудов 4-й между-нар. конференции „Цифровая обработка сигналов и ее применение“, М. 2002, с.288−291.
  105. А.Е. Нахождение минимального представления контура изображения как решение задачи нечеткой кластеризации // Известия вузов России. Радиоэлектроника, № 1, 2002, с.35−39.
  106. Ф. Лекции о развитии математики в XIX столетии.- Москва, Ленин фад: Научное издательство НКТИ СССР, 1937, 440 с.
  107. Bittner Т., Smith В. A unified theory of Granularity, Vagueness, and Approximation // COS IT Workshop on Spatial Vagueness, Uncertainty, and Granularity, 2001, pp. 124−147.
  108. Bittner Т., Smith B. Rough Sets in Approximate Spatial Reasoning // Proc. Of the l’nd Int. Conf. On Rough Sets and Current Trends in Computing, 2000, pp. 289−301.
  109. Bittner T. A qualitative Coordinate Language of Location of Figures within the Ground. // Spatial Information Theory, Springer, 1997, pp. 223−240.
  110. JI.С., Беляков С. Л. Геоинформационные справочные системы, — ТаганропТРТУ, 2001, 159 с.
  111. А.Т. Дифференциальная геометрия и топология (дополнительные главы).- М.:МГУ, 1983, 216 с.
  112. Rashid B.M. Shariff, Max J. Egenfofer Natural-Language Spatial Relations Between Linear and Area! Objects: The Topology and Metric of English-Language Terms. // Int. Journal of Geographical Information Science, 13(3): 215−246, 1988.
  113. H.H. Геометрическое моделирование.- М.:Физматлит, 2002, 472 с.
  114. Winter S. Distances for Uncertain Topological Relations // ESF-NSF Summer Institute in Geographic Information, Berlin, 24, Jul ibis I, August 1996, Taylor&Francis, London.
  115. Egenhofer, M. J., Clementini, E. and di Felice, P., 1994. Topological relations between regions with holes. // International Journal of Geographical Information Systems 8(2), pp. 129−142.
  116. Egenhofer, M. J., Flewelling, D, M. and Goyal, R. K., 1997. Assessment of scene similarity. //Technical report, University of Maine, Department of Spatial Information Science and Engineering.
  117. Введение в топологию // Борисович ЮТ., Близняков Н. М., Израиле-вич Я.А., Фоменко Т.Н.- М.:Наука, 1995, 416 с.
  118. С.А. „Формализация неопределенности в многомерных данных“. // В сб. трудов международной научно-технической конференции &bdquo-Интеллектуальные системы» (IEEE AIS'03), Москва, Физматлит, 2003, с. 104−1 13.
  119. Gabrys В., Bargiela F. General Fuzzy Min-Max Neural Network for Clustering and Classification. // IEEE Trans. On Neural Networks, vol. 11, no. 3, 2000, pp. 769−783.
  120. Ф., Шеймос М. Вычислительная геометрия: Введение.-М.:Мир, 1989,478 с.
  121. А.И. Алгебраические системы,— М.:Наука, 1970, 392 с.
  122. В.В. Аналитическое построение криволинейных сеток в задачах обработки бинарных изображений // Журнал «Обозрение прикладной и промышленной математики», М: ТВП, т. 8, вып. 2, 2001, с. 549−550.
  123. Mandelbrot В. The Fractal Geometry of Nature. San Francisco, Freeman, 1982, — 137 p.
  124. А., Фукс В., Касслер M. Искусство и ЭВМ. М.:Мир, 1975, 275 с.
  125. Yao, Y.Y. On Modeling data mining with granular computing, // Proc. of Int. Conf. COMPSAC 2001, pp.638−643, 2001.
  126. .А., Новиков С. П., Фоменко А. Т. Современная геометрия: методы и приложения. — М.: Наука, 1986, 760 с.
  127. С.А. Алгебраические модели в задачах интеллектуального анализа многомерных данных // В сб. трудов международной научно-технической конференции &bdquo-Математическая теория систем 2009″ (МТС-2009), Москва, 26−30 января 2009, с. 93−101.
  128. С.А. Грануляция и инкапсуляция в системах эффективной обработки многомерной информации. // Искусственный интеллект, научно-теоретический журнал Национальной академии наук Украины, № 4, 2005, с. 106−115.
  129. С.А., Андонова Н. С., Каркищенко А. Н., Кривша В. В. Адаптивное геометрическое гранулирование изображений // Журнал «Известия ТРТУ», № 4, 2004, том 2, с. 79−87.
  130. С.А. Энтропийный подход к оценке качества гранулирования многомерных данных // В сб. трудов Одиннадцатой Национальной конференции по искусственному интеллекту с международным участием, -Дубна-2008.- с. 331−340.
  131. , J.F., Т.Р. Martin, and J.G. Shanahan. Automatic fuzzy Cartesian granule feature discovery using genetic programming in image understanding, in FUZZ-IEEE. 1998. Anchorage, pp 960−965, USA: UK.
  132. П.П., Николаев Д. П. Модели константного зрительного восприятия. III. Спектральные и перцептивные инварианты в процедурах зрительной обработки // Сенсорные системы. 1997. Т. 11. № 2. с. 181−204.
  133. Н.В., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974 .- 344 с.
  134. Nikolayev D.P., Nikolayev P.P. Linear color segmentation and its implementation // Computer Vision and Image Understanding. 2004. V. 94 (Special issue on color for image indexing and retrieval). P. 1 15−139.
  135. Zimmerman K, Freksa C. Qualitative Spatial Reasoning Using Orientation, Distance, and Path Knowledge. In Workshop on Spatial Reasoning of the Int. Join Conference on Artificial Intelligence (IJCAI-93). Chambery, France, 1993.
  136. P., МакДоннел M. Восстановление и реконструкция изображений. М.:Мир, 1989, 335 с.
  137. В.И. Статистическая радиотехника. М.:Радио и связь, 1982. 624 с.
  138. Г. П. Обработка визуальной информации. М.: Машиностроение, 1988, 320 с.
  139. Н.В., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974 344 с.
  140. Распознавание образов: состояние и перспективы: Пер. с англ. / К. Верхаген, Р. Дёйн, Ф. Грун и др. -М.: Радио и связь, 1985, 104 с.
  141. В.В., Сальников В. А. Интеллектуальная сегментация в системах распознавания сложных изображений // В сб. трудов Научной сессии МИФИ-2002, Москва, 21−25 января 2002, т. 3, с. 94−95.
  142. Butenkov S., Krivsha V. Classification using Fuzzy Geometric Features // In Proc. IEEE International Conf. On Artificial Intelligence Systems «ICAIS 2002», Divnomorskoe, Russia, 5−10 September, 2002, Computer Press, Los Alamos, CA, USA, pp. 89−91,
  143. Karkishchenko A., Butenkov S., Krivsha V. Fuzzy Geometrical Features in Environmental Monitoring Image Analysis, in: Proc. SCM'2000, Russian National Conf. On Soft Computing, St. Petersburg, 2000, v.2, 193−196.
  144. Ю.П. Морфологический анализ изображений. Докл. АН СССР. 1983.t.269,N 5, с. 1061−1064.
  145. Pyt’ev Yu.P. Morphological Image Analysis. Pattern Recognition and Image Analysis. V.3, No. 1, 1993, pp. 19−28.
  146. E. «Perspectives on Fuzzy Systems in Computer Vision». Proc. of the Annual Conference of the North American Fuzzy Information Processing Society NAFIPS '98., August, 1998, pp. 296−300.
  147. Grenander U. Towards a Theory of Natural Scenes. www.dam.brown.edu/ptg, 2003.
  148. W. (ed). Granular Computing: An Emerging Paradigm, Physica-Verlag, 2001.
  149. Newell, A. and Simon, H.A. Human Problem Solving. Prentice-Hall, 1972.
  150. В.В., Бутенков С. А., Зюзерова Н. С. Семантический подход в задачах интеллектуальной сегментации. Искусственный интеллект, научно-теоретический журнал Национальной академии наук Украины, № 4, 2006, с. 319−324.
  151. , J.F., Т.P. Martin, and J.G. Shanahan. Modelling with words using Cartesian granule features, in FUZZ-IEEE. 1997. Barcelona, Spain: pp 12 951 300.
  152. Baldwin, J.F., T.P. Martin, and J.G. Shanahan. Automatic fuzzy Cartesian granule feature discovery using genetic programming in image understanding, in FUZZ-IEEE. 1998. Anchorage, pp 960−965, USA: UK.
  153. Zadeh L. A. Toward a Generalized Theory of Uncertainty. Information Sciences Informatics and Computer Science, vol. 172, pp. 140, 2005.
  154. Babuska R. Construction of Fuzzy Systems Interplay between Precision and Transparency. // Proc. of ESIT-2000, September 2000, Aachen, Germany.
  155. Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Кибернетика, № 33, 1978, с. 5 68.
  156. А.С. «НЕ-факторы 2004». В сб. трудов Девятой Национальной конференции по искусственному интеллекту КИИ-2004, Москва, Физматлит, 2004, т. 1, с. 420−432.
  157. Egenhofer М. A formal definition of binary topological relationships. // Proc. of the Third International Conference on the Foundation of Data Organization and Algorithms, Paris, 1989.
  158. С. А. Кривша H.C., Кривша В. В. Топологические пространственные отношения в моделях гранулирования многомерных данных // Журнал «Известия ТТИ ЮФУ. Технические науки», 2010 (в печати).
Заполнить форму текущей работой

Заказал и сдал!