Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Информационная технология комплексной обработки информации в рамках логико-аналитической системы на основе расширенных семантических сетей

Диссертация: Информационная технология комплексной обработки информации в рамках логико-аналитической системы на основе расширенных семантических сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В-третьих, не реализована аналитическая обработка слабоструктурированной информации, а именно биллингов телефонных переговоров и банковских переводов. В органах внутренних дел есть потребность в разработке автоматизированных средств аналитической обработки этой информации. Биллинги предоставляются, соответственно, операторами сотовой связи или банками. В зависимости от оператора биллинг может… Читать ещё >

Содержание

  • СПИСОК СОКРАЩЕНИЙ
  • ГЛАВА I. Особенности систем, основанных на технологии БЗ
    • 1. Основные сущности предметной области
    • 2. Анализ возможностей существующих систем
  • ВЫВОДЫ К ГЛАВЕ I
  • ГЛАВА II. Логико-аналитическая обработка разнородной информации
    • 1. Режимы анализа текстов на естественном языке и детализаций
    • 2. Кластерный анализ детализаций телефонных переговоров
  • ВЫВОДЫ К ГЛАВЕ II
  • ГЛАВА III. Оптимизация информационной компоненты Системы
    • 1. Перенос хранилища знаний из плоских файлов в СУБД Oracle
    • 2. Интеграция Системы с внешними базами данных
  • ВЫВОДЫ К ГЛАВЕ III
  • ГЛАВА IV. Программная реализация разработанной технологии
    • 1. Основные компоненты Системы
    • 2. Интерфейс взаимодействия пользователя с Системой
  • ВЫВОДЫ К ГЛАВЕ IV

Информационная технология комплексной обработки информации в рамках логико-аналитической системы на основе расширенных семантических сетей (реферат, курсовая, диплом, контрольная)

Актуальность работы. В настоящее время наблюдается повсеместный лавинообразный рост потоков разнородной информации, состоящей из сложноорганизованных документов, различных отчетов, электронных писем и пр. [3]. В связи с этим актуальным является разработка технологий и программных средств комплексной обработки разнородной информации. Например, в криминальной милиции примером разнородной’информации могут быть тексты на естественном языке (сводки происшествий, обвинительные заключения, справки по уголовным делам), данные из различных справочников (телефоны, адреса), биллинги телефонных переговоров и др. Информация может храниться в файлах, в Базах Данных (БД) или извлекаться из сети Интернет. Её обработка должна быть максимально автоматизирована, что зачастую предполагает решение сложных логико-аналитических задач (поиск объектов, анализ их связей и др.). Перспективным является разработка технологии и систем, позволяющих осуществить на единой основе агрегацию, хранение и логико-аналитическую обработку разнородной информации достаточно унифицированными средствами [91].

Такая система, ориентированная на обработку текстов естественного языка (ЕЯ), разработана в Институте Проблем Информатики Российской Академии Наук в рамках проекта «Аналитик» и связанных с ним проектов «Криминал», «Икс», «Поток». Созданная система «Аналитик» нашла применение в ГУВД, МВД, в области управления персоналом и анализа СМИ.

Ее особенность заключается в использовании семантико-ориентированного лингвистического процессора, позволяющего отобразить тексты на ЕЯ на структуры знаний, которые образуют Базу Знаний (БЗ). Для представления информации в БЗ используются расширенные семантические сети (РСС). Их отличие от обычных семантических сетей состоит в использовании многоместных фрагментов, связывающих вершины, и кодов фрагментов, которые тоже являются вершинами. Такие сети позволяют с достаточной точностью представлять объекты и их связи, которые выражаются в ЕЯ с помощью различных форм, в том числе форм с отглагольными существительными, оборотами с инфинитивами, сложноподчиненными предложениями. Связанными могут быть не только объекты, но и сами действия, в которых эти объекты принимают участие.

Обработка информации в системе «Аналитик» осуществляется с помощью* специального языка манипуляции знаниями Декл, созданного для обработки структур знаний (РСС). На языке Декл разработано много уникальных программ семантического поиска в БЗ (поиск похожих объектов и ситуаций, поиск по связям и по приметам), программ аналитической обработки и экспертных оценок (семейство оболочек экспертных систем). Использование в качестве БЗ обычных семантических сетей, языков логики предикатов, фреймов приводит к существенной потере информации, содержащейся в текстах на ЕЯ, и соответственно, к ограничению круга решаемых задач.

Представляется перспективным дальнейшее развитие систем, основанных на структурах знаний в виде РСС. Основными направлениями их развития должны быть:

— обработка разнородной информации в рамках, единой БЗ с использованием уже имеющихся средств;

— разработка средств решения новых логико-аналитических задач;

— обеспечение взаимодействия таких систем с внешними БД.

В этом случае пользователь-аналитик будет получать из одного источника полную информацию в наиболее удобном виде.

В тоже время в системе «Аналитик» имеется ряд проблем. Во-первых, для хранения структур знаний используется своя внутренняя БД, основанная на плоских файлах. Структуры знаний подкачиваются по мере необходимости, образуя активную часть БЗ, в которой осуществляется обработка. Т. е. БД играет роль хранилища знаний. Учитывая объемы существующих потоков данных, возникает необходимость использовать в качестве хранилища знаний современные СУБД, обеспечивающие работу с большими объемами информации (например, Oracle, MSSQL).

Во-вторых, не реализовано взаимодействие с внешними источниками данных: телефонными справочниками, адресными книгами и другими данными, введенными в соответствующие БД («Кронос», «МГТС», «ГИБДД») и широко используемыми в криминальной милиции. В этом случае, используя внешние БД, следователь-аналитик сможет получить наиболее полную информацию об интересующем его объекте. В тоже время перекачать всю эту информацию в БЗ не представляется возможным из-за ее большого объема, ограниченного доступа и др. Отсюда необходимость организации эффективного взаимодействия внешних БД с БЗ системы.

В-третьих, не реализована аналитическая обработка слабоструктурированной информации, а именно биллингов телефонных переговоров и банковских переводов. В органах внутренних дел есть потребность в разработке автоматизированных средств аналитической обработки этой информации. Биллинги предоставляются, соответственно, операторами сотовой связи или банками. В зависимости от оператора биллинг может иметь различную структуру. Возникает задача — разработки интегрированного универсального средства извлечения и представления в БЗ информации из биллингов, а также логико-аналитических режимов для ее анализа.

Для решения перечисленных задач необходимо развитие существующей технологии в направлениях комплексной и логико-аналитической обработки. Эти задачи решаются в рамках данной диссертационной работы.

Целью диссертации является разработка информационной технологии комплексной обработки разнородной информации большого объема в рамках системы, основанной на структурах знаний в виде РСС (далее Система).

Основными задачами исследования являются:

1. Анализ современных аналитических комплексов, основанных на технологии БЗ и обеспечивающих обработку на единой основе разнородной информации (Глава I).

2. Анализ существующих методов обработки разнородной информации, которые возможно реализовать в Системе (Глава I).

3. Исследование структур биллингов телефонных переговоров и банковских счетов с целью создания унифицированного процессора для их преобразования в единую форму на уровне структур знаний — РСС (Глава II).

4. Обеспечение возможности совместного использования структур знаний, представляющих тексты на ЕЯ, биллинги телефонных переговоров и банковских переводов для решения существующих задач Системы (Глава II).

5. Изучение специальных задач пользователей, основанных на информации о телефонных переговорах и банковских переводах, для разработки новых средств для их решения в рамках Системы (Глава II).

6. Разработка новых логико-аналитических режимов обработки информации, представленной в виде структур знаний, в рамках Системы (Глава II).

7. Исследование особенностей представления информации в БЗ и разработка методов представления структур знаний в СУБД Oracle, для повышения эффективности хранилища знаний Системы (Глава III).

8. Исследование информационных процессов, связанных с задачей интеграции данных, и разработка технологии интеграции БЗ Системы с внешними БД, для расширения пространства поиска Системы (Глава III).

Программная реализация компонент информационной технологии комплексной обработки разнородной информации представлена в Главе IV.

Основные выводы по работе следующие:

1. Разработана новая информационная технология комплексной обработки разнородной информации большого объема в рамках Системы, основанной на структурах знаний в виде расширенных семантических сетей.

2. По итогам проведенного исследования систем, основанных на технологии баз знаний, в качестве единого средства представления разнородной информации (текстов на естественном языке, биллингов, данных из внешних баз) предложено использовать расширенные семантические сети.

3. На основе исследования структур биллингов разработан семантический анализатор — интегрированное средство извлечения данных из биллингов и их представления в виде расширенных семантических сетей, что позволило разработать режимы аналитической обработки слабоструктурированной информации в рамках Системы, основанной на структурах знаний.

4. Разработаны методика и алгоритмы решения задачи детализации номерных объектов, позволяющие группировать связанные объекты (телефонные номера, банковские счета) на основе информации из базы знаний.

5. Впервые проведено исследование специфики применения кластерного анализа к биллингам телефонных переговоров. Выявлена комбинация метрики и алгоритма кластерного анализа, позволяющая осуществить оптимальную с точки зрения целевой функции кластеризацию.

6. Разработан режим «Анализ временных совпадений», позволяющий аналитику увидеть временную связь между интересующими его событиями, информация о которых содержится в базе знаний.

7. Предложена методика инкапсуляции структур знаний в реляционную СУБД, что позволяет обеспечить работу Системы с большими объемами данных.

8. Для расширения пространства поиска разработана методика интеграции базы знаний Системы с внешними базами данных на основе редактора шаблонов соединений.

9. Разработана программная реализация предложенной технологии.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе предложена новая интегрированная информационная технология комплексной обработки разнородной информации в рамках логико-аналитической Системы, основанной на структурах знаний в виде РСС включающая в себя:

— этапы автоматической обработки потоков разнородной информации, существующей в электронном виде;

— методы загрузки информации в хранилище знаний;

— методику и алгоритмы логико-аналитической обработки информации;

— средства визуализации результатов обработки;

— модель хранилища знаний в современной СУБД;

— методику поиска и извлечения информации из внешних БД.

На основе этой технологии могут быть разработаны новые программные комплексы [66], электронные хранилища [69], ориентированные на обработку разнородной информации в различных предметных областях.

Показать весь текст

Список литературы

  1. С. А., Степанов В. С. Инструменты статистического анализа данных. // Мир ПК, № 08 — М.: Открытые системы, 1997.
  2. С. А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. — 1022 с.
  3. А. Критерии выбора СУБД при создании информационных систем. Центр Информационных Технологий — Электронный ресурс./ Статья. 2001. Режим доступа: http://citforum.utmn.ru/database/articles/criteria- свободный — Загл. с экрана. — Яз. рус., англ.
  4. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. -М.: Мир, 1979. 536 с.
  5. А.И., Башмаков И. А. Интеллектуальные информационные технологии. Учебное пособие. — М.: МГТУ им. Н. Э. Баумана, 2005. — С. 6769.
  6. Д., Стрехлоу К. К базам данных завтрашнего дня. Электронный ресурс.- Режим доступа: http://koaP.narod.ru/tehlit/base/bd/06db.htm- свободный. — Загл. с экрана. —Яз. рус., англ.
  7. Боровиков В. Statistical искусство анализа данных на компьютере (с CD-ROM), 2 издание. СпБ.: Питер, 2003.
  8. А. Понимание культур через посредство ключевых слов / Пер. с англ. А. Д. Шмелева. М.: «Языки славянской культуры», 2001. — 288 с.
  9. Т.А., Хорошевский В. Ф. Базы Знаний интеллектуальных систем Спб.: Питер, 2001. — 384 с.
  10. И.П. Анализ и обработка данных. Специальный справочник. -СПб.: Издательство «Питер», 2001. — 752 с.
  11. И.П. Решение научных и инженерных задач средствами Excel, VBA и С++ (+ CD). СПб.: Издательство «БХВ-Петербург», 2004 г. — 512 с.
  12. В.А., Нейронные сети: обучение, организация, применение. М.: Радиотехника- 2001. — 256 с.
  13. С.Г., Левандовский В. В., Перфилов A.M., Юнкеров А. И. Пакет прикладных программ Statgraphics на персональном компьютере. Практическое пособие по обработке результатов медико-биологических исследований. СПб., 1992. — 104 с.
  14. Ю.А., Ревунков Г. И., Банки данных: Учеб. для вузов. — М.: МГТУ им. Н. Э. Баумана, 2002. 320 с.
  15. А.В., Краюшкин Д. В., Кузьмин В. В. Выбор технологии построения системы управления знаниями. // Системы и средства информатики. Ин-т пробл. информатики. Вып. 14. М.: Наука, 2004. — С. 145−146.
  16. Дьяконов В.П. Maple 8 в математике, физике и образовании М.: COJIOH-Пресс, 2003.-656 с.
  17. ., Оделл П. Кластерный анализ. М.: Статистика, 1977. — 128 с.
  18. И.С. Методы, алгоритмы, программы многомерного статистического анализа: пакет ППСА. — М.: Финансы и статистика, 1986. 232 с.
  19. А.Е. Автоматическое извлечение фактов из текстов досье: опыт установления анафорических связей // Компьютерная лингвистика и интеллектуальные технологии: труды Международной конференции Диалог'2007. М.: Наука, 2007.
  20. А.Е. Этапы лингвистического анализа текста в программных продуктах RCO // Русский язык: исторические судьбы и современность. II Международный конгресс исследователей русского языка. Труды и материалы. М.: МГУ, 2004.
  21. А.Е., Киселев C.JI. Лингвистическая модель-для компьютерного анализа тональности публикаций СМИ // Компьютерная лингвистика и интеллектуальные технологии: труды Международной конференции Диалог'2005. М.: Наука, 2005.
  22. М. Иерархический кластер-анализ и соответствия / М. Жамбю- Перевод с фр. Б. Г. Миркина- Предисл. С. А. Айвазяна, Б. Г. Миркина М.: Финансы и статистика. 1988. — 342 с.
  23. Н.Г., Елкина В. Н., Лбов Г. С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985. — 110 с.
  24. И. М., Курчавова О. А. Лингво-семиотический подход к анализу диаграмм. // Системы и средства информатики. Ин-т пробл. информатики. Вып. 14.-М.: Наука, 2004.-С. 170−185.
  25. Л. А. СИНТЕЗ: язык определения, проектирования и программирования интероперабельных сред неоднородных информационных ресурсов (вторая редакция) М.: ИПИРАН, 1993. — 121 с.
  26. Л.А. Методы и средства интеграции неоднородных баз данных. -М.: Наука, 1983. С. 351−411.
  27. Е.Ю., Литвинцева Л. В., Поспелов Д. А. Представление знаний о времени и пространстве в интеллектуальных системах / Под ред. Д. А. Поспелова. М.: Наука, 1989. — 328 с.
  28. С.Л., Ермаков А. Е., Плешко В. В. Поиск фактов в тексте естественного языка на основе сетевых описаний // Компьютерная лингвистика и интеллектуальные технологии: труды Международной конференции Диалог'2004. М.: Наука, 2004. — С. 282−285.
  29. Кластерный анализ Электронный ресурс./ StatSoft Режим доступа: http://www.statsoft.ru/home/textbook/modules/stcluan.html#general — Загл. с экрана. — Яз. рус., англ.
  30. Кластерный анализ: основы метода и его применение в биомедицине Электронный ресурс./ Статья. Леонов В. П. Режим доступа: http://www.biometrica.tomsk.ru/cluster.htm — Загл. с экрана. — Яз. рус., англ.
  31. В.В., Гареев А. Ф., Васютин С. В. и др. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. — С. 41−61
  32. В.А., Программное обеспечение для метопоиска информации в гипертекстовой среде. Дис.. канд. тех. наук.: 05.13.11 Москва, 2002 С. 46−50.
  33. И.П. Методы обработки сводок с выделением особенностей фигурантов и происшествий. Труды международного семинара Диалог-1999 по компьютерной лингвистики и ее приложениям. Том 2. Тарусса. М: Наука, 1999.
  34. И.П. Продукционный язык программирования ДЕКЛ. Система обработки декларативных структур знаний Деклар-2. — М.: ИПИРАН, 1988 г.
  35. И.П., Мацкевич А. Г. Особенности организации базы предметных и лингвистических знаний в системе Аналитик. // Труды международной конференции Диалог'2003 М.: Наука, 2003.
  36. И.П., Мацкевич А. Г. Семантико-ориентированные системы на основе баз знаний. М.: Инсвязьиздат, 2007. — 173 с.
  37. И.П., Мацкевич А. Г., Рабинович Б. И., Гнидо Е. И. Частотный анализ биллингов телефонных переговоров в Логико-Аналитической системе «Аналитик». Тезисы докладов НТК МТУ СИ. 29−31 января 2002 г. М.: Инсвязьиздат, 2002. — 409 с.
  38. И.П., Мацкевич А. Г., Рабинович Б. И., Гнидо Е. И. Временной анализ потоков событий в Логико-Аналитической системе «Аналитик». // Тезисы докладов НТК МТУ СИ, 29−31 января 2002 г. М.: Инсвязьиздат, 2002.-С. 409−410.
  39. И.П., Семантические представления. Отв. ред. Е. В. Золотов- АН СССР, Дальневост. науч. центр, ВЦ. М.: Наука, 1986. — 293 с.
  40. А.П. Методы и средства анализа данных в среде Windows. STADIA 6.0. М.: Информатика и компьютеры, 1998. — 270 с.
  41. Н.Н. Автоматическое понимание текста: системы, модели, ресурсы: учеб. пособие для студ. лингв, фак. вузов. — М.: «Академия», 2006. С. 87−92.
  42. Н.Н., Кудряшова И. М., Малевич О. Б. Семантические заготовки к пониманию целого текста.- МГПИИЯ им. М. Тореза. Сборник научных трудов., Вып. 271., М.: МГПИИЯ им. М. Тореза, 1986. С. 81−110.
  43. Н.Н., Никогосов С. Л. Система ФРАП и проблема оценки качества автоматического перевода. МГПИИЯ им. М. Тореза. Сборник научных трудов., Вып. 20., М.: МГПИИЯ им. М. Тореза, 1980. — С. 57−78.
  44. К.Ю., Марков А. С. Базы данных. Введение в теорию и методологию. — М.: Финансы и статистика, 2004. — 512 с.
  45. Ю.Я. Интеллектуальные информационные системы. М.: Наука, 1980.-С. 112−142.
  46. И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. — 176с.
  47. А.Г. Особенности тонкого клиента в сетевой модели ЛАС «Аналитик». // Тезисы докладов НТК МТУСИ. М.: Инсвязьиздат, 2002 г. — С. 406−408.
  48. В.В. Вероятностная модель языка. О соотношении естественных и искусственных языков. — М.: Наука, 1979. — 303 с.
  49. Э. Основы теории распознавания образов: Пер с англ./ Под ред. Б. Р. Левина. М.: Сов. Радио, 1980. — 408 с.
  50. Платформа SAP Net Weaver: надежный фундамент для поддержки изменений бизнеса и управления ими. Электронный ресурс.- Режим доступа: http://www.sap.com/cis/platform/index.epx- свободный. — Загл. с экрана. —Яз. рус., англ.
  51. Э.В. Общение с ЭВМ на естественном языке. М: Наука, 1982. — 360 с.
  52. Ю. Как выбрать самый подходящий способ хранения деревьев в моем проекте? Электронный ресурс.- Режим доступа: http://phpclub.ni/faq/Tree/FaqSelect?v=ses- свободный. — Загл. с экрана. — Яз. рус., англ.
  53. .И. Кластерный анализ детализаций телефонных переговоров. // Системы и средства информатики. Ин-т пробл. информатики РАН. Вып. 17 / Отв. ред. И. А. Соколов. М.: Наука, 2007. — С. 52−78.
  54. .И. Обзор информационных систем анализа текстов на естественном языке. // Известия высших учебных заведений. Проблемы полиграфии и издательского дела. № 2. М.: МГУП, 2008. — С. 83−88.
  55. .И. Редактор шаблонов соединений как средство интеграции базы знаний системы «Аналитик» с внешними источниками данных. // Вестник МГТУ им. Н. Э. Баумана. Серия Приборостроение. М.: «МГТУ им. Н.Э. Баумана», 2008.-С. 113−121.
  56. .И. Хранение БЗ в современных СУБД. Интеллектуальные технологии и системы. // Сборник учебно-методических работ и статей аспирантов и студентов. Выпуск 6 / Сост. и ред. Ю. Н. Филиппович. — М.: «Эликс+», 2004.-С. 173−186.
  57. .И. Электронное хранилище разнородной информации на основе структур знаний. // Информатизация и связь. Специальный выпуск'2008. -М.: «Информатизация и связь», 2008. С. 84−88.
  58. О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ Statistica. М.: МедиаСфера, 2003. — 312 с.
  59. П.Е., Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей. Дис.. канд. тех. наук.: 05.13.17 Москва, 2003 С. 29−37.
  60. B.C., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). Краснодар: ТУ КубГТУ, 1999. — 318 с.
  61. Н.В. Оценка расхождения между эмпирическими кривыми распределениями в двух независимых выборках. Бюлл. МГУ, т. II, вып. 7, 1939.
  62. Советский энциклопедический словарь — М.: «Советская энциклопедия», 1980.- 1600 с. Силл.
  63. Статистические и математические системы. // Каталог «Тысячи программных продуктов». — 1995. — № 2. М
  64. Статистический словарь / гл.ред. М. А. Королёв.-М.: Финансы и статистика, 1989 г.- 623 с.
  65. Тей А., Грибомон П., Луи Ж. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: Пер с франц./Тей А., Грибомон П., Луи Ж. И др. М.: Мир, 1990. — С. 333 411.
  66. Ю.Н., Макаров А. А. Анализ данных на компьютере. М: Финансы и статистика, 1995. — 384 с.
  67. Фаронов В.В. Turbo Pascal 7.0. Практика программирования. М.: Нолидж, 1999.-416 с.
  68. ., Исследование эффективности алгоритмов выполнения алгебраических операций к XML-данным в распределенных запроса. // Интернет-математика 2005. Автоматическая обработка веб-данных. Москва. 2005. С. 235−250.
  69. А.Д., Гофман В. Э., Мещеряков Е. В. и др. Delphi 7/Под общ. Ред. А. Д. Хомоненко. СПб.: БХВ-Петербург, 2004 г. — 488 с.
  70. В.Д. Базы и банки данных: Учебное пособие СПб: МГУП, 2001.-220 с.
  71. К.А. Метод синтактико-семантических шаблонов и его применение в информационной технологии интерпретации текстов. Дис.. канд. тех. наук.: 05.25.06 Москва, 2006 С. 22−25.
  72. Шарнин М. М, Кузнецов И. П. Продукционный язык программирования Декл. В сб. «Система обработки декларативных структур знаний Деклар-2». ИПИАНУСССР М.: Наука, 1988. — С. 134−152.
  73. Ю.И. Семантика самоорганизующихся систем. — М.: Академический проспект, 2003. С. 98−114.
  74. Ю.И., Романов А. А. Компьютерная семантика. М.: НОЦ Школа Китайгородской, 1995. — С. 136−142.
  75. . Нетрадиционные методы многомерного статистического анализа: Сб. статей: Пер. с англ./ Предисловие Ю. П. Адлера, Ю. В. Кошевника. — М.: Финансы и статистика, 1988. -263 с.
  76. D. E., Hobbs J. R., Bear J., Israel D., Kameyama M., Tyson M., 1993a. «The SRI MUC-5 JY-FASTUS In-formation Extraction System», Proceedings, Fifth Message Understanding Conference (MUC-5), Baltimore, Maryland, August 1993.
  77. Ball G.H., Data-analysis in the social sciences: What about the details? // Proceedings of the Fall Joint Computer Conference, 27, 1966. P. 533−559.
  78. Blackwell A.F. Introduction: Thinking with Diagrams // Artificial Intelligence Review. V. 15. 2001, — P. 1−3.
  79. Blostein D., Lang E., Zanibbi R. Treatment of Diagrams in Document Image Analysis. Anderson M., P. Cheng, and V. Haarslev (Eds.): Diagrams'2000, LNAI 1889. Berlin: Springer, 2000. P. 330−344.
  80. Cole A.J., Numerical Taxonomy, Academic Press, New York. 1969.
  81. Convera: корпоративная система поиска и анализа данных Электронный:-ресурс. — Режим доступа: http://www.convera.ru/ru/products/rware8.php- свободный Загл. с экрана. — Яз. рус., англ.
  82. Cormack R.M., A review of classification / Journal of the Royal Statistical Society//Series A, 134, 1971.-P. 321−353.
  83. Couchman J., Schwinn U., Oracle 8i Certified Professional DBA M.: Издательство «Лори», 2002 г.
  84. Cramer H. On the composition of elementry errors, Skand. Aktuarietids, Vol. 11. 1928.-P. 13−74
  85. Crouch D., A clustering algorithm for large and dynamic document collections, Ph.D. Thesis, Southern Methodist University. Dallas. 1972.
  86. Dorofeyuk A.A., Automatic Classification Algorithms (Review) // Automation and Remote Control, 32,1971. P. 1928−1958.
  87. FASTUS:a Cascaded Finite-State Trasducerfor Extracting Information from Natural-Language Text. AIC, SRI International. Menlo Park. California, 1996.
  88. Frame Logic. How to Write F-Logic Programs. A tutorial for the Ontoprise’s F-logic based’deductive engine, which underlies their semantic Web products. —
  89. Электронный ресурс./ 2004. Режим доступа: http://flora.sourceforge.net/aboutFlogic.php- свободный Загл. с экрана. — Яз. англ.
  90. Fritzche М., Automatic clustering techniques in information retrieval // Diplomarbeit, Institut fur Informatik der Universitat Stuttgart. 1973.
  91. , I.J., 'Categorization of classification1 In Mathematics and Computer Science in Biology and Medicine, London: HMSO, 1965. P. 115−125.
  92. Guizhen Yang, Michael Kifer. Well-Founded Optimism: Inheritance in Frame-Based Knowledge Bases. Intl. Conference on Ontologies, DataBases, and Applications of Semantics for Large Scale Information Systems (ODBASE), October, 2002.
  93. Hartigan, J.A. Clustering Algorithms, NY: Wiley, 1975.
  94. M., Meyer В., Narayann N.H. (Eds.) Diagrammatic Representation and. Inference // Proceedings of the Second International Conference, Diagrams 2002, LNAI 2317 (Gallaway Gardens, Georgia, USA, April 18−20, 2002). Berlin: Springer, 2002.
  95. J. R., Appelt D. E., Bear J., Israel D., Kameyama J., Tyson M. // FASTUS: A System for Extracting Information from Text / Proceedings, Human Language Technology, Princeton, New Jersey, March 1993. P. 133−137.
  96. Hunt B.E. Artificial Intelligence. NY.: Academic press, 1975. — 550 p.
  97. Jeffreys H. An invariant for the prior probability in estimation problems, Proc. Roy. Soc, A., Vol. 186, 1946. P. 454−461.
  98. Kalinichenko L.A., Briukhov D.O., Skvortsov N.A., Zakharov V.N. Infrastructure of the subject mediating environment aiming at semantic interoperability of heterogeneous digital library collections. / Seconnd Russian
  99. Conference DIGITAL LIBRARIES: Advanced Methods and Technologies, Digital Collections, September 26−28, 2000, Protvino. P. 78−90.
  100. Kifer M., Lausen G., Wu J. Logical Foundations of Object Oriented and Frame Based Languages // Journal of ACM 1995, vol. 42. P. 741−843.
  101. Kuznetsov I., Matskevich A. System for Extracting Semantic Information from Natural Language Text. // Труды международного семинара Диалог-2002 по компьютерной лингвистике и ее приложениям. Том 2. Протвино. М.: Наука, 2002.
  102. Litofsky В., Utility of automatic classification systems for information storage and retrieval, Ph.D. Thesis, University of Pennsylvania. Philadelphia. 1969.
  103. Mahalanobis P.C. Analysis of race mixture in Bengal, J. Asiat. Soc. (India), Vol. 23, 1925. P. 301−310.
  104. Mahalanobis P.C. On the generalized distance in statistics, Proc.Natl. Inst. Sci. (India), Vol. 12, 1936. P. 49−55.
  105. Matusita K. On the theory of statistical decision functions, Ann. Instit. Statist. Math. (Tokyo), Vol. 3, 1951. P. 17−35
  106. McAllister J. Artificial Intelligence and Prolog on Microcomputers. — M.: Издательство «Машиностроение», 1990.
  107. Murtagh F., Multidimensional clustering algorithms, Compstat Lectures, Heidelberg: Physica-Verlag, 1985.
  108. PowerCenter. Любые данные. Любая система. В любое время. Электронный ресурс.- Режим доступа: http://www.data-integration.ru/powercenter.html- свободный. — Загл. с экрана. — Яз. рус., англ.
  109. Prywes N.S., Smith D.P., Organization of Information, Annual Review of Information Science and Technology, 7, 1972. P. 103−15 8.
  110. G., Stewart D.W. Кластерный анализ в маркетинговых исследованиях: обзор и предпосылки применения. Journal of Marketing Research, Vol. XX, May 1983. -P.134−148.
  111. Sneath, P.H.A. and Sokal, R.R., Numerical Taxonomy: The Principles and Practice of Numerical Classification, W.H. Freeman and Company, San Francisco. 1973.
  112. Sytech.ru Разработка и внедрение информационных систем Электронный ресурс.- Режим доступа: http://www.sytech.ru- свободный. — Загл. с экрана. — Яз. рус., англ.
  113. TIBCO ActiveMatrix Business Works. Электронный ресурс.— Режим доступа: http://www.tibco.com/software/applicationintegration/businessworks/default.js р- свободный. — Загл. с экрана. — Яз. англ.
  114. TIBCO DataExchange. Электронный ресурс.— Режим доступа: http://www.tibco.com/software/dataintegration/dataexchange/default.jsp- свободный. — Загл. с экрана. — Яз. англ.
  115. Tryon R.C. Cluster Analysis // Ann. Arb., Edw. Brathers. 1939.
  116. Tryon R.C. Cluster Analysis. New York: McGraw-Hill. 1939.
  117. Vadim Tropashko. Nested intervals tree encoding in SQL. SIGMOD Record 34(2). 2005.-P. 47−52.
  118. Vadim Tropashko. Nested Intervals with Farey Fractions CoRR cs. DB/401 014. 2004.
  119. Wacker A.G., Langrebe D.A. The minimum distance approech to classification, The laboratory for applications of remote sensing information note 100 771, Purdue University, Lafayette, Indiana. 1971.
  120. WebLogic Integration. Электронный ресурс.- Режим доступа: http://commerce.bea.com/products/weblogicplatform/weblogicprodfam.jsp- свободный. — Загл. с экрана. — Яз. англ.
  121. Websphere Software. Электронный ресурс.— Режим доступа: http://www-306.ibm.com/software/ru/websphere/- свободный. — Загл. с экрана. — Яз. рус., англ.
  122. Weirzbicka A. Semantic primitives and lexical universals. Quaderni di semantica 10.1- 1989.-P. 103−321.
  123. D., «Exploiting the graphical user interface in statistical software: the next generation». Interface '98. Computing Science and Statistics, 30, 1998. P. 257−263.
  124. Wishart D., Estimation of Missing Values and Diagnosis Using Hierarchical Classifications, Computational Statistics Quarterly, 2(1), 1986. P. 125−134.
Заполнить форму текущей работой

На отлично!