Помощь в написании студенческих работ
Антистрессовый сервис

Алгебра спектральных преобразований в задачах обработки данных

Диссертация: Алгебра спектральных преобразований в задачах обработки данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Диссертационная работа посвящена изложению и обсуждению нового вычислительного метода, предложенного на основании проведенных нами исследований и позволяющего существенно понизить временную сложность спектральных вычислений для ряда основных аналитических преобразований функций и групп их суперпозиций. Вычислительный метод основан на знании полученных рекуррентных соотношений определенного вида… Читать ещё >

Алгебра спектральных преобразований в задачах обработки данных (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА I. Аналитические преобразования над спектром
    • 1. 1. Общие свойства классических ортогональных систем
    • 1. 2. Основы спектрального представления функций
    • 1. 3. Предпосылки к развитию новых методов спектральной обработки
    • 1. 4. Понятие спектрального преобразования функций
    • 1. 5. Задача поиска методов быстрых спектральных преобразований
    • 1. 6. Ранние попытки решения задачи. Матричный способ
  • ГЛАВА II. Быстрые аналитические преобразования над спектром
    • 2. 1. Достаточное условие существования быстрых алгоритмов спектрального преобразования
    • 2. 2. Классические ортогональные полиномы
    • 2. 3. Быстрые преобразования для оператора вида A (f) = xf (x). Лемма о суперпозиции линейных операторов
    • 2. 4. Быстрые преобразования для операторов вида A (f) = f (x)/x. Теорема обратимости линейных операторов
    • 2. 5. Быстрые преобразования для оператора дифференцирования
    • 2. 6. Быстрые преобразования для оператора интегрирования
    • 2. 7. Нахождение рекуррентных соотношений для различных модификаций ортогональных базисов
  • ГЛАВА III. Общая вычислительная схема для реализации быстрых спектральных преобразований
    • 3. 1. Определение спектрального каскада и диффузии
    • 3. 2. Метод спектрального каскада и диффузии
    • 3. 3. Пример применения метода каскада-диффузии
    • 3. 4. Сравнительный анализ результатов расчетов и основных характеристик алгоритмов
  • ГЛАВА IV. Обобщения алгебры спектральных преобразований
    • 4. 1. Быстрые нелинейные спектральные преобразования
    • 4. 2. Быстрые спектральные преобразования для ортогональных систем дискретного аргумента
    • 4. 3. Сверхбыстрые спектральные преобразования на системах с параллельной архитектурой вычислений
  • ГЛАВА V. Применение быстрых спектральных преобразований
    • 5. 1. Применение в задачах распознавания образов
    • 5. 2. Применение в задачах биоинформатики

Во введении обосновывается актуальность проблемы, сформулированы цели и задачи, дан краткий обзор содержания диссертации, перечислены полученные новые результаты исследования. На примере рассматриваемых систем ортогональных полиномов будут показаны основные приемы обработки и аналитического преобразования функций посредством изменения их спектральных представлений и рассмотрены перспективные подходы практической реализации подобных преобразований.

Актуальность темы

.

Во второй половине двадцатого столетия стремительное развитие вычислительной техники ознаменовало начало новой эры для всей математической теории и различных ее приложений. Возможность проведения множества элементарных операций на скоростных вычислителях требовала развития и адаптации математических методов решения задач к новым создавшимся условиям. Весьма скоро среди вычислительных машин наметился явный лидер — электронные вычислительные машины (ЭВМ) с целочисленным бинарным представлением величин и последовательным ходом выполнения операций. Это впоследствии всецело определило развитие соответствующей математической базы.

Специфика ЭВМ диктовала в то время свои условия, но целочисленные представления лишь отчасти, приближенно отвечали развитым к тому времени математическим, аналитическим понятиям и представлениям. Классическая техника математических вычислений привыкла оперировать понятиями вещественных чисел, аналитических функций, операций дифференцирования, интегрирования и т. д., однако попытки реализовать эти представления на вычислительных машинах приводили к необходимости решения довольно сложных, нетривиальных задач.

Представления функций в «электронном» виде и методы осуществления на ЭВМ элементарных аналитических операций над функциями (интегрирования, дифференцирования и т. д.) начали развиваться приблизительно в одно время, однако развитие этих задач протекало во многом независимо друг от друга, несмотря на их очевидное математическое «родство». С другой стороны можно предположить ряд факторов, видимо, послуживших этому причиной. Приведем ниже предпосылки, по нашему мнению, приведшие к такому разделению подходов и методов:

• матричное представление функций в виде массива дискретных значений, изначально оказалось наиболее естественным для ЭВМ представлением и наиболее удобным для реализации большинства арифметических операций над функциями;

• было предложено немало численных методов для осуществления более сложных, аналитических преобразований. С возникновением ЭВМ эти методы получили развитие и распространение. Явным преимуществом таких подходов явилась простота вычислений и скорость — обычно затраченное вычислительное время и объемы требуемой памяти были пропорциональны величине массива данных;

• спектральное представление произвольных сигналов как некоторых аналитических функций стало практически использоваться на ЭВМ намного позже, лишь после того, как в зарубежной и отечественной науке была разрешена основополагающая задача о быстром преобразовании Фурье (БПФ);

• до сих пор не было предложено универсальных и достаточно быстрых схем вычислений для осуществления аналитических преобразований над спектральными представлениями функций на практике. Предложенные ранее подходы сложны и сильно уступают по времени выполнения аналогичным преобразованиям функций, например, на основе численных методов.

Спектральное представление сегодня широко применяется, но большей частью для передачи, хранения и анализа данных, изначально полученных в виде массивов значений функций. Трудно переоценить влияние спектрального представления функций на развитие современной прикладной математики, однако на практике спектральное представление довольно редко используется для проведения определенных аналитических преобразований функций. В случае необходимости приходилось восстанавливать функцию в виде массива значений, а затем, проведя требуемые преобразованиями численно, снова «вернуть» функцию в спектральное представление. Однако, такая ситуация на наш взгляд не оправдана и как показано ранее, в ряде работ [111, 106], тем не менее, существует принципиальная возможность осуществления аналитических преобразований, при использовании лишь самих спектральных представлений функций или, иначе, их спектральных преобразований.

В перечисленных работах показано, что такой подход к тому же приводит к более приемлемым с практической точки зрения результатам в сравнении с теми, что были получены при осуществлении аналитических преобразований численными методами. Этот факт объяснен авторами свойствами высокой адаптивности метода при выборе базиса из семейства классических ортогональных полиномов, гладкостью аппроксимативного представления, заданного ограниченным ортогональным рядом и т. д. [117].

Действительно, существенным недостатком численных методов является то, что практическая ценность результатов сильно зависит от вида преобразования и характера функции. К примеру, оказывается весьма сложным даже приближенное нахождение второй производной от функции, сильно искаженной помехами. В свою очередь, основным недостатком спектральных преобразований функций является то, что вычислительный процесс оказывается намного более сложным и громоздким. Алгоритмы оказались хуже на порядок по временной сложности, а также требующими стадии предварительных вычислений и резервирования больших объемов памяти под вспомогательные коэффициенты.

Указанные недостатки являются существенным ограничением для внедрения спектральных преобразований функций на практике в задачах, требующих проведения быстрых, устойчивых и точных аналитических преобразований функций, сигналов и т. д. Несмотря на положительные результаты, при решении практических задач лишь отставание во времени способно вынудить разработчиков программ отдать предпочтение в пользу более грубых, но быстрых алгоритмов [95, 101].

Вышеописанное положение демонстрирует потребность в создании альтернативного простого и точного прикладного математического аппарата для осуществления быстрых спектральных преобразований функций, соответствующих ряду основных аналитических преобразований функций и групп их суперпозиций. В качестве ортогональных систем в работе рассмотрен каждый базис из семейства классических ортогональных полиномов (JIareppa, Якоби, Эрмита, Лежандра, Сонина-Лагерра, Гегенбауэра, Чебышева первого и второго рода) и некоторые основные модификации этих базисов. В главе IV показано, что без нарушения общности основные вычислительные схемы легко переносятся на случай применения классических ортогональных полиномов дискретного аргумента: Хана, Мейкснера, Шарлье, Кравчука и Чебышева.

Цель работы.

Решение проблемы создания математического аппарата, для осуществления на вычислительных машинах быстрых аналитических преобразований функций, заданных на практике конечными ортогональными рядами. В качестве ортогональных базисов рассматриваются системы функций, построенные на классических ортогональных полиномах. В качестве операторов преобразования — основные, часто используемые преобразования: умножение/деление на аргумент, дифференцирования/интегрирования и т. д.

В соответствии с поставленной задачей определены задачи диссертационной работы:

1. Поиск общей вычислительной схемы спектральных преобразований рядов ортогональных полиномов.

2. Вывод требуемых аналитических соотношений для класса классических ортогональных полиномов и их некоторых модификаций.

3. Реализация программного комплекса для осуществления спектральных преобразований на практике.

4. Решение задачи контурного распознавания визуальных объектов средствами разработанной системы аналитических преобразований.

5. Решение задачи поиска тандемных повторов в геномах средствами разработанной системы аналитических преобразований.

Постановка научной задачи.

Требуется найти группу алгебраических правил спектральных преобразований, соответствующих основным аналитическим преобразованиям функций, представленных ограниченными рядами, построенными на классических ортогональных полиномов. Найти решение при повышенных требованиях на вычислительную сложность реализуемых алгоритмов [95].

Научная новизна.

В данной диссертационной работе впервые предложен вычислительный метод, позволяющий существенно понизить временную сложность вычислений над спектральным представлением функций, соответствующих ряду основных аналитических преобразований над функциями.

Сформулирована и доказана Теорема о достаточном условии существования алгоритма быстрого спектрального вычисления.

Показано соблюдение достаточного условия Теоремы для ряда линейных операторов и всех систем классических ортогональных полиномов и функций.

В ходе доказательств получены рекуррентные соотношения особого вида для полиномов Якоби, Гегенбауэра и функций Якоби, Гегенбауэра, Сонина-Лагерра, Лагерра, Чебышева первого и второго рода, Эрмита.

Сформулирована и доказана Теорема об обратимости линейных операторов, а также сформулирована и доказана Лемма о суперпозиции линейных операторов.

На основе применения спектральных преобразований предложено и реализовано вычисление инвариантных геометрических признаков, описанных аналитически с помощью операторов дифференцирования высоких порядков.

Найдены и применены аналитически описанные признаки, инвариантные к выбору начальной точки и вычисляемые на основе отрезков ортогонального ряда.

Реализован программный комплекс «SpectralRevisor», организующий локализацию участков тандемных повторов в ДНК последовательностях на основе вычисления и анализа некоторых первых производных от функций-профилей, построенных на данных генетических последовательностях.

Практическая значимость работы.

1) Предложенный метод сопоставляет некоторым часто используемым на практике аналитическим преобразованиям функций, набор простых и быстрых вычислений для получения соответствующего преобразования спектрального представления. Это позволяет применять метод в различных прикладных областях, где требуются быстрые, точные и устойчивые аналитические преобразования сигналов различной природы.

2) Показано, что для сложных преобразований функции, являющихся группой более простых, возможно построение единой вычислительной схемы, составленной на основе объединения соответствующих элементарных схем. При этом, многие частные вычисления в узлах выстраиваемой общей схемы, как показано в работе, могут быть произведены одновременно. Это позволит дополнительно ускорить алгоритмы при реализации на ЭВМ с параллельной архитектурой исполнения команд, что в свою очередь позволит применять данный подход в задачах, сопряженных с необходимостью сверхбыстрой обработки данных: i) обнаружение и распознавание визуальных образов в реальном времени на основе контурного восприятияii) поиск тандемных повторов в сверхдлинных генетических последовательностях, таких, как геном человека = 3 млрд. нуклеотидов и т. д.

3) В ходе выполнения диссертационной работы были получены новые аналитические соотношения для ряда базисов, построенных на классических ортогональных полиномах, что может быть полезным для последующих исследований и разработок в смежных областях науки.

С появлением и развитием систем параллельных вычислений увеличивается разрыв по времени исполнения между еще более ускорившимися, но по-прежнему не прибавившими в точности численными методами расчета с одной стороны и проведением аналитических преобразований функций посредством спектра с другой. В тоже время появился целый ряд успешных работ, посвященных проведению сверхбыстрого преобразования Фурье на системах параллельных вычислений. Однако, задача об ускорении самих спектральных вычислений, соответствующих определенным преобразованиям функций, оставалась по-прежнему актуальной как при реализации на вычислительных системах с последовательной, так и с параллельной архитектурой.

Диссертационная работа посвящена изложению и обсуждению нового вычислительного метода, предложенного на основании проведенных нами исследований и позволяющего существенно понизить временную сложность спектральных вычислений для ряда основных аналитических преобразований функций и групп их суперпозиций. Вычислительный метод основан на знании полученных рекуррентных соотношений определенного вида и приводит к алгоритмам той же временной сложности, что имеют алгоритмы, основанные на использовании численных методов, то есть линейной и логарифмической для систем с последовательными и параллельными вычислениями соответственно. Очевидно, что при этом сохраняются иные преимущества спектрального подхода, такие как широкие адаптивные возможности при аппроксимации функций и более приемлемые с практической точки зрения результаты их преобразований. Заключительная часть работы посвящена изложению результатов применения предложенного метода в некоторых научных областях и сравнительному анализу с альтернативными подходами решения рассматриваемых задач.

Под полиномами Сонина-Лагерра в диссертационной работе понимаются обобгценные полиномы Лагерра. Подобная терминология впервые предложена авторами работы [111] и введена на основании [127].

выводы.

В данной работе автором были освещены широкие возможности практического применения ортогональных систем, построенных на классических ортогональных полиномах, и новые методы аналитической обработки сигналов, представленных рядами полиномов.

Во введении рассмотрена общая теория систем классических ортогональных полиномов непрерывного аргумента. Особое внимание уделено ортогональным системам Сонина-Лагерра, на примере которых в дальнейшем изложении были продемонстрированы основные результаты. Так, было показано, что на основании введенных модификаций полиномов и функций Сонина-Лагерра легко реализовать ряд адаптивных процедур в процессе аналитического описания поступающих сигналов.

В первой главе обсуждается возможность аналитической обработки функций на практике посредством изменения спектральных характеристик одномерных сигналов (функций), т. е. коэффициентов разложения спектрального представления. В ранних работах была показана возможность такой обработки, однако способы, предложенные раннее, сводились к длительным вычислениям на практике, зависящим от глубины аппроксимативного разложения сигналов с квадратом.

Во второй главе введен новый метод аналитической обработки сигналов, имеющий линейную зависимость длительности вычислений от глубины представления. Доказана применимость метода в общем случае для всех ортогональных систем и линейных преобразований, для которых существует рекуррентное соотношение вида (2.4.3), что, в частности, рассмотрено на множестве важных примеров. Также рассмотрены некоторые теоретические обобщения метода на случай суперпозиций и обратимости линейных операторов.

В третьей главе показано, как принципы аналитической спектральной обработки сигналов, изложенные ранее, могут служить для реализации быстрых преобразований сигналов на практике. Введен метод спектральных каскада и диффузии, используемый для построения практической схемы быстрых преобразований функций (сигналов). В качестве примера предложена реализация схемы дифференцирования функции, представленной в виде ряда по полиномам Лагерра.

В четвертой главе показано, что изложенные в работе методы и принципы спектральной обработки функций (сигналов) допускают естественное обобщение и в случае реализации соответствующих преобразований сигналов на вычислительных системах с параллельной архитектурой исполнения команд. При этом дополнительного ускорения преобразований функций удается добиться за счет применения принципов векторизации и конвейеризации вычислений, а также благодаря возможности естественного разделения общей схемы более сложных вычислений на самостоятельные простые компоненты (элементарные блоки).

В данное время предложенные принципы работы с ортогональными рядами реализуются в виде законченных программных продуктов, ориентированных как на широкий спектр аналитических задач, так и на некоторые узко специализированные области обработки данных. Результаты работы созданного программного обеспечения полностью согласуются с теоретическими выводами, позволяя нам в дальнейшем судить о практической выгодности использования описанных здесь подходов.

Приведенные в диссертационной работе приложения содержат рекуррентные соотношения особого вида, найденные для систем классических ортогональных полиномов непрерывного и дискретного аргументов. Данные соотношения приведены в табличной форме и требуются для реализации спектральных преобразований на практике. Отметим, что рекуррентные соотношения для полиномов Якоби и Гегенбауэра, соответствующие операторам дифференцирования и интегрирования, получены в рамках выполнения диссертационной работы.

В качестве основных выводов диссертационной работы автор видит следующее:

1. Создана система правил для аналитических преобразований сигналов, представленных рядами через классические ортогональные полиномыалгебра спектральных преобразований.

2. Задача контурного распознавания визуальных объектов разрешена на основе аналитического вычисления инвариантных признаков контуров.

3. Задача поиска тандемных повторов в геномах разрешена на основе аналитической оценки степени «периодичности» профилей.

4. Применение в задачах обработки данных правил алгебры спектральных преобразований в пространстве коэффициентов разложения способно в значительной степени улучшить и ускорить результаты вычислений.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ.

1. Ф. Ф. Дедус, Л. И. Куликова, А. Н. Панкратов, Р. К. Тетуев. Классические ортогональные базисы в задачах аналитического описания и обработки информационных, сигналов, Москва, издательский отдел факультета ВМК МГУ им. Ломоносова, 2004.

2. Ф. Ф. Дедус, Л. И. Куликова, С. А. Махортых, Н. Н. Назипова, А. Н. Панкратов, Р. К. Тетуев Аналитические методы распознавания повторяющихся структур в геномах. Доклады Академии Наук 2006, том 411, № 5, с. 599−602.

3. Ф. Ф. Дедус, Л. И. Куликова, С. А. Махортых, Н. Н. Назипова, А. Н. Панкратов, Р. К. Тетуев, Распознавание структурно-функциональной организации генетических последовательностей, ТРУДЫ ВМК МГУ 2007, № 2.

4. R. К. Tetuev, Recognition of Lines Detected in the Image Plane on the Basis of the Generalized Spectral-Analytical Method, Pattern Recognition and Image Analysis, Vol. 15, No. 2, 2005, pp. 334−337.

5. R. K. Tetouev, Contour Recognition Based on Spectral Methods. Solution of the Problem of Choice of the Start-Point, Pattern Recognition and Image Analysis, Vol. 17, No. 2, 2007, pp. 227−235.

6. Р. К. Тетуев, Ф. Ф. Дедус, Классические ортогональные полиномы. Применение в задачах обработки данных, препринт, М.: 11-й ФОРМАТ, 2007, 60 с.

7. Р. К. Тетуев «Аналитическое описание зашумленных исходных сигналов функциями Сонина-Лагерра и получение их первых производных» Математические Методы Распознавания Образов-11, Пущино, 20−26 ноября, 2003.

8. Ruslan Tetuev «About Curves Recognition Based on Generalized Spectral-Analytical Method» 7-th International Conference on Pattern.

Recognition And Image Analysis: New Information Technologies, St. Petersburg, Russia October 18−23, 2004.

9. Р. К. Тетуев «Вычисление некоторых геометрических характеристик плоских кривых на основе спектральных методов» Математические Методы Распознавания Образов-12, Москва, 2026 ноября, 2005.

10. Ruslan Tetuev, Florencz Dedus, Lyudmila Kulikova, Sergey Makhortikh, Anton Pankratov, Nafisa Nazipova «Analytical methods in problems of recognition the structural and functional organization of genetic sequences», The 2006 BGRS (Bioinformatics of the Genome Regulation and Structure) International Summer School for young scientists «Evolution, Systems Biology and High Performance Computing Bioinformatics», Novosibirsk, Russia July 12−15, 2006.

11. P. К. Тетуев, Ф. Ф. Дедус, JI. И. Куликова, С. А. Махортых, Н. Н. Назипова, А. Н. Панкратов «Аналитические методы в проблемах распознавания структурно-функциональной организации генетических последовательностей» Математическая Биология и Биоинформатика, Пущино, 9−15 октября 2006.

12. Р. К. Тетуев, Ф. Ф. Дедус, Н. Н. Назипова, С. А. Махортых, Л. И. Куликова, А. Н. Панкратов, М. М. Олыневец Свидетельство Роспатента об официальной регистрации программы для ЭВМ № 2 007 611 639 «Спектральный анализ данных, поиск неточных периодов в сигналах «SpectralRevisor».

ЗАКЛЮЧЕНИЕ

В качестве достаточного условия реализуемости быстрых спектральных преобразований предложено «слабое» условие существования рекуррентных соотношений особого вида. Данное предположение сформулировано в диссертационной работе в виде теоремы и доказано.

S Сформулирована и доказана теорема о существовании рекуррентных соотношений особого вида для линейного оператора, если для обратного к нему оператора существует хотя бы одно подобное соотношение.

S Сформулирована и доказана лемма о существовании рекуррентных соотношений особого вида для суперпозиции двух линейных операторов, если подобные соотношения существуют для каждого из них.

S Рекуррентные соотношения особого вида получены для множества всех базисов классических ортогональных полиномов в отношении к основным, используемым на практике линейным операторам (умножение на рациональные функции, дифференцирование, интегрирование и т. д.). Предложена система правил для осуществления на практике быстрых аналитических преобразований над спектральным представлением функций, названная алгеброй спектральных преобразований. Вычисления, производимые над коэффициентами спектрального представления согласно двум основным из введенных правил, названы спектральным каскадом и спектральной диффузией коэффициентов.

S Реализован ряд программных продуктов, осуществляющих быстрые аналитические преобразования сигналов на основе соотношений алгебры спектральных преобразований. Применение разработанных программ в решении ряда практических задач показало действительную практическую ценность возможности осуществления на практике быстрого аналитического преобразования функций (сигналов) в задачах обработки данных произвольной природы в пространстве коэффициентов разложения.

S Зарегистрирована программа для ЭВМ «SpectralRevisor», осуществляющая спектральный анализ данных на предмет обнаружения и локализации неточных периодов в сигналах.

Показать весь текст

Список литературы

  1. Andreas de Vries «Algorithms and Data Structures», VorlesungWirt-schaftsinformatik, 2005.
  2. Andreas Solymosi and Ulrich Grude. Grundkurs Algorithmen und Datenstrukturen in Java. Vieweg, Braunschweig Wiesbaden, 2002.
  3. Arbter K., Snyder W. E., Burkhardt H., and Hirzinger G. Application of Affine-Invariant Fourier Descriptors to Recognition of 3-D Objects. IEEE Trans. Pattern Analy. Machine Intell., 12:640 647, 1990.
  4. Armin P. Barth. Algorithmik fur Einsteiger. Vieweg, Braunschweig Wiesbaden, 2003.
  5. Arun Krishnan, Francis Tang «Exhaustive whole-genome tandem repeats search» Bioinformatics vol. 20 issue 16 no. 16, pages 27 022 710, Oxford University Press, 2004.
  6. , S. (1996). «Mutual information maximization: Models of cortical self-organization.» Network: Computation in Neural Systems 7(1): 7−31.
  7. Ben-Dor, A., Shamir, R. and Yakhini, Z. (1999). «Clustering gene expression patterns.» J Comput Biol 6(3−4): 281−97.
  8. G. (1999) Tandem repeats finder: a program to analyze DNA sequences, Nucl. Acids Res., V. 27, issue 2, pp. 573−580.
  9. Benson, G. (1995) A space efficient algorithm for finding best scoring non-overlapping alignments. Theor. Comput. Sci., 145, 357−369.
  10. Benson, G. (1997) Sequence alignment with tandem duplication. J. Comput. Biol., 4, 351−367.
  11. Berriz, G.F., King, O.D., Bryant, В., Sander, C. and Roth, F.P. (2003). «Characterizing gene sets with FuncAssociate.» Bioinformatics 19(18): 2502−2504. Clustering Genes using Gene Expression and Text Literature Data
  12. Bickel, S. and Tobias, S. (2004). Multi-View Clustering. Proceedings of the Fourth IEEE International Conference on Data Mining (ICDM'04).
  13. Alferez Ronald and Wang Yuan-Fang, Geometric and Illumination Invariants for Object Recognition, Department of Computer Science, University of California, 1998.
  14. Bozdech, Z., Llinas, M., Pulliam, B.L., Wong, E.D., Zhu, J.C. and DeRisi, J.L. (2003). «The transcriptome of the intraerythrocytic developmental cycle of Plasmodium falciparum.» Plos Biology 1(1): 85−100.
  15. Britenkov A.K., Pankratov A.N. Stable Algorithms of Adaptive Approximation for Acoustic Signals Description by Orthogonal Polynomials// Physics of Wave Phenomena, 2004, Vol.12, № 3, pp.168−174
  16. Саппу John, «A Computational Approach to Edge Detection,» IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 8, no. 6, pp. 679−698, November 1986.
  17. Chaussabel, D. and Sher, A. (2002). «Mining microarray expression data by literature profiling.» Genome Biol 3(10): RESEARCH0055.
  18. Chiang, J.H. and Yu, H.C. (2003). «MeKE: discovering the functions of gene products from biomedical literature via sentence alignment.» Bioinformatics 19(11): 1417−1422.
  19. Collins, F.S. et al. (2003) The Human Genome Project: lessons from large-scale biology. Science, 300, 286−290.
  20. Collins, J.R., Stephens, R.M., Gold, В., Long, В., Dean, M. and Burt, S.K. (2003) An exhaustive DNA micro-satellite map of the human genome using high performance computing. Genomics, 82, 10−19.
  21. Djukova E.V., Inyakin A.S., and Peskov N.V. Methods of Combinatorial Analysis in Synthesis of Efficient Recognition Algorithms // Pattern Recognition and Image Analysis, 2003. V. 13. № 2. P. 426.
  22. Donald E. Knuth. The Art of Computer Programming. 1. Fundamental Algorithms. Addison-Wesley, Reading, 3rd edition, 1997.
  23. Donald E. Knuth. The Art of Computer Programming. 3rd Sorting and Searching. Addison-Wesley, Reading, 3rd edition, 1998.
  24. Eisen, M.B., Spellman, P.T., Brown, P.O. and Botstein, D. (1998). «Cluster analysis and display of genome-wide expression patterns.» Proceedings of the National Academy of Sciences of the United States of America 95(25): 14 863−14 868.
  25. EH Saber, and A. Murat Tekalp, «Region-Based Shape Matching for Automatic Image Annotation and Query-by-Example» Journal of visual communication and image representation, Vol. 8, No. 1, March, pp. 3−20,1997.
  26. Fleischmann, W., Moller, S., Gateau, A. and Apweiler, R. (1999). «A novel method for automatic functional annotation of proteins.» Bioinformatics 15(3): 228−233.
  27. Frazier, M.E. et al. (2003) Realizing the potential of the genome revolution: the genomes to life program. Science, 300, 290−293.
  28. Friedhelm Padberg. Elementare Zahlentheorie. Spektrum Akademischer Verlag, Heidelberg Berlin, 2nd edition, 1996.
  29. Fu, Y.H. et al. (1992) An unstable triplet repeat in a gene related to myotonic muscular dystrophy. Science, 255, 1256−1258.
  30. Getz, G., Levine, E. and Domany, E. (2000). «Coupled two-way clustering analysis of gene microarray data.» Proc Natl Acad Sci USA 97(22): 12 079−84.
  31. Gibbons, F.D. and Roth, F.P. (2002). «Judging the quality of gene expression-based clustering methods using gene annotation.» Genome Research 12(10): 1574−1581.
  32. Glenisson, P., Antal, P., Mathys, J., Moreau, Y. and De Moor, B. (2003). «Evaluation of the vector space representation in text-based gene clustering.» Рас Symp Biocomput: 391−402.
  33. Glenisson, P., Mathys, J. and De Moor, B. (2004). «Meta-Clustering of Gene Expression Data and Literature-based Information.» SIGKDD Explorations 5(2): 101−112.
  34. Gravano, L., Garcia-Molina, H. and Tomasic, A. (1999). «Gloss: Text-source discovery over the internet.» ACM Transactions on Database Systems 24(2): 229−264.
  35. Groult, R., Leonard, M. and Mouchard, L. (2002) Evolutive tandem repeats using Hamming distance. In Proceedings of 27th Symposium on Mathematical Foundations of Computer Science, Warsaw, Poland, August 2002, Springer, pp. 292−304.
  36. Groult, R., Leonard, M. and Mouchard, L. (2003) Speeding up the detection of evolutive tandem repeats. In Proceedings of The Prague Stringology Conference '03.
  37. Groult, R., Leonard, M. and Mouchard, L. (2004) Speeding up detection of evolutive tandem repeats. Theor. Сотр. Sci., 310, 309−328.
  38. ISO/IEC JTC1/SC29/WG11, Coding of Moving Pictures and Audio: MPEG-4 Video Verification Model version 18.0, JTC1/SC29/WG11 N3908, Pisa, January 2001.
  39. Jain, A.K. and Dubes, R.C. (1988). Algorithms for clustering data, Prentice Hall.
  40. Jenssen, Т.К., Laegreid, A., Komorowski, J. and Hovig, E. (2001). «A literature network of human genes for high-throughput analysis of gene expression.» Nat Genet 28(1): 21−8.
  41. Joint Video Team of ISO/IEC MPEG and ITU-T VCEG, Joint Final Committee Draft (JFCD) of Joint Video Specification (ITU-T Rec. H.264 | ISO/IEC 14 496−10 AVC), JVTD157, Australia, July 2002.
  42. Kannan, S.K. and Myers, E.W. (1996) An algorithm for locating regions of maximum alignment score. SIAM J. Comput., 25, 648−662.
  43. Kasturi J. and Acharya R. (2004). Clustering of diverse genomic data using information fusion Proceedings of the 2004 ACM symposium on Applied computing Nicosia, Cyprus ACM Press: 116−120
  44. Katti, M.V. et al. (2000) Amino acid repeat patterns in protein sequences: their diversity and structural-functional implications. Protein Sci., 9, 1203−1209.
  45. Kiranyaz S., Caglar K., Guldogan O., and Karaoglu E" «MUVIS: A Multimedia Browsing, Indexing and Retrieval Framework», Proc. of Third International Workshop on Content Based Multimedia Indexing, CBMI2003, Rennes, France, 22−24 September 2003.
  46. Kiranyaz S., Ferreira M. and Gabbouj M. «A novel feature extraction method based on segmentation over edge field for multimedia indexing and retrieval», Institute of Signal Processing, Tampere University of Technology, Tampere, Finland.
  47. Kitada, H. et al. (1996) Multiple alignment of biological sequences containing tandem repeats. Genome Inform., 7, 276−277.
  48. Kober V.I., M. G. Mozerov, J. Alvarez-Borrego and I. A. Ovseyevich. Nonlinear Image Processing with an Adaptive Structural Element // Pattern Recognition and Image Analysis, 2003. V. 13. No. 3. P. 476.
  49. Kolpakov, R et al. (2003) mreps: Efficient and flexible detection of tandem repeats in DNA. Nucleic Acids Res., 31, 3672−3678.
  50. Kolpakov, R. and Kucherov, G. (2003) Finding approximate repetitions under Hamming distance. Theor. Com. Sci., 303, 135−156.
  51. E.V., Korotkova M.A. (1995) Latent periodicity of DNA sequences from some human gene regions, DNA Seq., V.5, pp.353 358.
  52. E.V., Korotkova M.A., Kudryashov N.A. (2003) Information decomposition method to analyze symbolical sequences. Phys. Lett. A, 312: 198−210
  53. Kotel’nikov I.V. Algorithmic Models for Solving Pattern Recognition Problems 11 Pattern Recognition and Image Analysis, 1999. V. 9. № 1. P. 7.
  54. Kurtz, S., Choudhuri, J.V., Ohlebusch, E., Schleiermacher, C., Stoye, J. and Giegerich, R. (2001) REPuter: the manifold applications of repeat analysis on a genomic scale. Nuclei с Acids Res., 29,4633^1642.
  55. Landau, G.M. and Schmidt, J.P. (1993) An algorithm for approximate tandem repeats. In Proceedings of the. 4th Annual Symposium on Combinatorial Pattern Matching, Lecture Notes in Computer Science, Springer-Verlag, Vol. 648, pp. 120−133.
  56. Landau, G.M. and Vishkin, U. (1989) Fast parallel and serial approximate string matching. J. Algorithm., 10,157−169.
  57. Landau, G.M. et al. (1998) Incremental string comparison. SIAM J. Comput., 27, 557−582.
  58. Landau, G.M. et al. (2001) An algorithm for approximate tandem repeats. J. Comput. Biol., 8, 1−18.
  59. Landau, G.M., Schmidt, J.P. and Sokol, D. (2001) An algorithm for approximate tandem repeats. J. Сотр. Biol., 8, 1−18.
  60. Lempel A., Ziv J. (1976) On the Complexity of Finite Sequences. IEEE Transactions on Information Theory, V. IT-22, 75.
  61. Levenshtein, V.I. (1966) Binary codes capable of correcting, deletions, insertions and reversals. Soviet Phys. Dokl., 10, 707−710.
  62. Main, M.G. and Lorentz, R.J. (1984) An 0(n logn) algorithm for finding all repetitions in a string. J. Algorithm., 422432.
  63. G.E. (1965) Cramming more components onto integrated circuits, Electronics Magazine, V. 38, no. 8, pp. 114−117.
  64. Noe L., Kucherov G. (2004) Improved hit criteria for DNA local alignment, BMC Bioinformatics, V. 5, 149 (http://www.biomedcentral.eom/1471−2105/5/149).
  65. Ralf Hartmut Guting. Datenstrukturen und Algorithmen. B.G. Teubner, Stuttgart, 1997.
  66. Raychaudhuri, S., Chang, J.T., Imam, F. and Altman, R.B. (2003). «The computational analysis of scientific literature to define and recognize gene expression clusters.» Nucleic Acids Research 31(15): 4553−4560.
  67. Raychaudhuri, S., Chang, J.T., Sutphin, P.D. and Altman, R.B. (2002). «Associating genes with gene ontology codes using a maximum entropy analysis of biomedical literature.» Genome Research 12(1): 203−214.
  68. Robert Sedgewick. Algorithmen in C. Addison-Wesley, Bonn, 1992. 89
  69. , R.J. (2001). «PubMed Central: The Gen-Bank of the published literature.» Proc Natl Acad Sci U S A 98(2): 381−2.
  70. Roth, F.P., Hughes, J.D., Estep, P.W. and Church, G.M. (1998). «Finding DNA regulatory motifs within unaligned noncoding sequences clustered by whole-genome mRNA quantitation.» Nature Biotechnology 16(10): 939−945.
  71. Sagot, M. and Myers, E.W. (1998) Identifying satellites in nucleic acid sequences. In Second Annual International Conference on Research in Computational Molecular Biology (RECOMB).ACM Press, New York, pp. 234−242.
  72. Schmidt, J.P. All highest scoring paths in weighted grid graphs and their application to finding all approximate repeats in strings. SI AM J. Comput., 27,972−992.
  73. Sergunin S.Yu., Kvashnin K.M., and M.I. Kumskov M.I. Image Representation in the Recognition Problem on the Basis of Symbol Marking of Its Singular Points // Pattern Recognition and Image Analysis, 2003. V. 13. № 1. P. 170.
  74. Sharma D, Issac B, Raghava GPS, Ramaswamy R (2004) Spectral Repeat Finder (SRF): identification of repetitive sequences using Fourier transformation. Bioinformatics, 20(9): 1405−1412
  75. Sokol Dina, Benson Gary and Tojeira Justin «Tandem repeats over the edit distance» Vol. 23 ECCB, pages e30-e35, Oxford University Press, 2006.
  76. Stephen C. Kleene. Turing’s Analysis of Computability, and Major Applications of It'. In Rolf Herken, editor, The Universal Turing Machine. A Half-Century Survey, Wien, 1994. SpringerVerlag.
  77. Stolovitzky, G., Gao, Y., Floratos, A. and Rigoutsos, I. (2001) Tandem repeat detection using pattern discovery, with applications to identification of yeast satellites. Technical Report RC 21 508. IBM T. J. Watson Research Center, Cambridge.
  78. Tamames, J., Ouzounis, C., Casari, G., Sander, C. and Valencia, A. (1998). «EUCLID: automatic classification of proteins in functional classes by their database annotations.» Bioinformatics 14(6): 542−543.
  79. Tanabe, L., Scherf, U., Smith, L.H., Lee, J.K., Hunter, L. and Weinstein, J.N. (1999). «Med-Miner: an Internet text-mining tool forbiomedical information, with application to gene expression profiling.» Biotechniques 27(6): 1210−4, 1216−7.
  80. Thomas H. Cormen, Charles E. Leiserson, and Ronald L. Rivest. Introduction to Algorithms.
  81. Thomas Ottmann and PeterWidmayer. Algorithmen und Datenstrukturen. Spektrum Akademischer Verlag, Heidelberg Berlin, 4rd edition, 2002.
  82. Turing Machine. A Half-Century Survey, pages 207−235. Springer-Verlag, Wien, 1994.
  83. Ukkonen, E. (1983) On approximate string matching. In Proceedings of the International Conference Foundations of Computation Theory, Lecture Notes in Computer Science 158, Springer-Verlag, pages 487−495.
  84. Volker Heun. Grundlegende Algorithmen. Vieweg, Braunschweig Wiesbaden, 2000.
  85. Watson J.D., Crick F.H.C. (1953) Molecular Structure of Deoxypentose Nucleic Acids. Nature, V. 171, p. 737.
  86. Wexler, Y., Yakhini, Z" Kashi, Y. and Geiger, D. (2004) Finding approximate tandem repeats in genomic sequences. In Proceedings of the 8th Annual Conference on Research in Computational Molecular Biology (RECOMB).
  87. William H. Press, Saul A. Teukolsky, William T. Vetterling, and Brian P. Flannery. Numerical Recipes in С++. The Art of Scientific Computing. Cambridge University Press, Cambridge, 2nd edition, 2002.
  88. Wirth N. Algorithmen und Datenstrukturen. B.G. Teubner, Stuttgart Leipzig, 1999.
  89. Yang Chengyong, Zeng Erliang, Li Tao, and Narasimhan Giri, Clustering Genes using Gene Expression and Text Literature Data,
  90. Bioinformatics Research Group (BioRG), School of Computer Science, Florida International University, Miami, Florida
  91. A.A. и др. (1990) Компьютерный анализ генетических текстов, М.:Наука, 264 с.
  92. ., Калме Ж., Калтофен Э., Коллинз Дж., Лауэр М., Лафон Ж., Лоос Р., Минньотт М., Нойбюзер Й., Норманн А., Уинклер Ф., Я. Ван Хюльзен, «Компьютерная алгебра: Символьные и алгебраические вычисления» Пер. с англ. М.: Мир, 1986. — 392 с.
  93. Д. (2003) Строки, деревья и последовательности в алгоритмах. СПб.: Невский проспект, с. 225. (Dan Gusfield (1997) Algorithms on String, Trees, and Sequences University of California, Davis, P. 255).
  94. A.H., Миркес E.M., Попова Т. Г., Садовский М. Г. (1993) Новый подход к изучению статистических свойств генетических последовательностей. Биофизика, Т. 38, Вып. 5, с. 762−767.
  95. А.Л., Скрипкин В. А. Методы распознавания. М.: Высш. шк., 1977.
  96. Ф.Ф. Аналитическое представление экспериментальных данных и их обработка. Кибернетика и вычислительная техника. Вып.74, «Наукова думка», Киев, 1987.
  97. Ф.Ф., Гальченко А. А., Малахов В. Н. и др. Разработка методов и аппаратуры помехоустойчивого преобразования информации. Отчет по НИР. Номер гос. регистрации 76 047 147. Пущино: НИВЦ АН СССР, 1982.
  98. Ф.Ф., Куликова Л. И., Панкратов А. Н., Тетуев Р. К. «Классические ортогональные базисы в задачах аналитического описания и обработки информационных сигналов», М., Факультет ВМиК МГУ им. М. В. Ломоносова, 2004 г.
  99. Ф.Ф., Махортых С. А., Устинин М. Н., Дедус А. Ф., «Обобщенный спектрально-аналитический метод обработки информационных массивов», М., Машиностроение, 1999 г.
  100. О.С. «Реализация некоторых операций над отрезками ортогональных рядов полиномов Кравчука», Математические методы распознавания образов: 12 я Всероссийская конференция: Сборник докладов. М.: МАКС Пресс, 2005.-500 с.
  101. Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.
  102. Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972.
  103. Гук М. Процессоры Pentium II, Pentium Pro и просто Pentium -СПб: Питер Ком, 1999. 288 с.
  104. С., Штейнгауз С. «Теория ортогональных рядов», М.: Физматгиз, 1958 г.
  105. А.Н. (1987) Теория информации и теория алгоритмов. М.: Наука, 213 с.
  106. А.И., «Николай Яковлевич Сонин», Л., Наука, 1967 г.
  107. Р., Гильберт Д. Методы математической физики, т. 1, М.-Л., Гостехиздат, 1951.
  108. Математический энциклопедический словарь (гл. редактор Ю. В. Прохоров), М.: Советская энциклопедия, 1988 г.
  109. С.А., Панкратов А. Н. О спектральном разложении нерегулярных кривых. В кн. Доклады I Всероссийской конференции «Спектральные методы обработки информации в научных исследованиях» («Спектр — 2000»), М.: Алеф, 2000, 4446.
  110. И.П. «Теория функций вещественной переменной» изд. 2, М.: Гостехиздат, 1957 г.
  111. А.Ф., Уваров В. Б., «Специальные функции математической физики», М., Наука, 1978 г.
  112. А.Ф., Суслов С. К., Уваров В. Б. Классические ортогональные полиномы дискретной переменной. // М.: Наука. 1985.216 с.
  113. Д.А., Поволоцкий А. В. «Формулы для преобразования функций в пространстве коэффициентов разложения по базису полиномов Чебышева второго рода» М.: Сборник статей молодых ученных ВМиК МГУ, 2007, выпуск № 4, с. 1−8.
  114. А.Н., «О реализации алгебраических операций над рядами ортогональных функций», Журнал вычислительной математики и математической физики, 2004, с. 2121−2127.
  115. Э. Основы теории распознавания образов. М.: Сов. радио, 1980.
  116. В. В. «Современные методы и стандарты экономного кодирования видеоинформации», Санкт-Петербург, специально для http://www.compression.ru, 2002.
  117. Г. П. «Ряды Фурье», изд. 2, М.: Физматгиз, 1960 г. 390 с.
  118. Ф. «Дифференциальные уравнения», Изд. 2-е, М.: Едиториал УРСС, 2003. 352 с.
  119. Фу К. С. Последовательные методы в распознавании образов и обучении машин-М.: Наука, 1971.
  120. Фу К. С. Структурные методы в распознавании образов. М.: Мир, 1977.
  121. П.Л. «Вопросы о наименьших величинах, связанных с приближенным представленных функций», том 2., М.-Л., 1947 г., с. 151−235.
Заполнить форму текущей работой

Сессия? Спокойно!