Помощь в написании студенческих работ
Антистрессовый сервис

Интеллектуальная система поддержки принятия решений на основе онтологии: на примере управления очисткой сточных вод

Диссертация: Интеллектуальная система поддержки принятия решений на основе онтологии: на примере управления очисткой сточных вод
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Результаты работы докладывались и обсуждались на следующих конференциях: «Интернет-технологии и современное информационное общество» (Третья Всероссийская научно-методическая конференция, Санкт-Петербург, 2000) — «Системный анализ в проектировании и управлении» (Международная научно-практическая конференция, Санкт-Петербург, 2001, 2002, 2006) — «Радиоэлектроника, электротехника и энергетика… Читать ещё >

Интеллектуальная система поддержки принятия решений на основе онтологии: на примере управления очисткой сточных вод (реферат, курсовая, диплом, контрольная)

Содержание

  • ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ СОКРАЩЕНИЯ
  • 1. АНАЛИЗ ПРОБЛЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ ОЧИСТНЫМИ СООРУЖЕНИЯМИ
    • 1. 1. Актуальность проблемы поддержки принятая решении при управлении очистными сооружениями
    • 1. 2. Обзор существующих подходов к автоматизации процесса управления очисткой сточных вод
    • 1. 3. Анализ интеллектуальных подходов к поддержке принятия решений
      • 1. 3. 1. Обзор существующих методов и средств искусственного интеллекта
      • 1. 3. 2. Примеры существующих интеллектуальных систем поддержки принятия решений и оценка возможности их использования для защиты окружающей среды
  • Выводы по 1 главе
  • 2. UML МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ДЛЯ ОРГАНИЗАЦИИ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО РЕГУЛИРОВАНИЮ КАЧЕСТВА ВОДНОЙ СРЕДЫ
    • 2. 1. Разработка комплекса объектно-ориентированных моделей интеллектуальной системы поддержки принятия решений
    • 2. 2. Формирование модели представления знаний на основе предметной оптологпи процесса очистки сточных вод
    • 2. 3. Интеллектуальный анализ данных мониторинга очистных сооружений
  • Выводы по 2 главе
  • ГЛАВА 3. АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
    • 3. Л. Формализация онтологической базы знаний
      • 3. 2. Разработка онтологии прецедентов в проблемных ситуациях в процессе очистки сточных вод
      • 3. 3. Алгоритм поиска решений на основе знаний
      • 3. 4. Методика разработки интеллектуальной системы поддержки принятия решений
  • Выводы, но 3 главе
    • 4. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА СТАНЦИИ ОЧИСТКИ СТОЧНЫХ ВОД И ОЦЕНКА ЕЕ ЭФФЕКТИВНОСТИ
      • 4. 1. Программная реализация интеллектуальной системы поддержки принятия решений
      • 4. 2. Оценка эффективности работы интеллектуальной системы поддержки принятия решении
      • 4. 3. Перспективы развития исследований в области поддержки принятия решений управляющих процессом очистки сточных вод
  • Выводы по 4 главе

Актуальность темы

.

В условиях научно-технической революции, когда человечество вовлекает в свои производственные и хозяйственные нужды более половины запасов преспых вод, проблема сохранения качества воды становится чрезвычайно актуальной. Известно, что главным источником загрязнения водной среды являются сточные воды. Основная их масса в России (78,9% от общего объема очищенной воды) очищается на биологических очистных сооружениях, которые являются мощным защитным экраном.

В настоящее время более 70% станций очистки сточных вод (ОСВ) в России работают неэффективно по причине морального и физического износа оборудования, ошибок персонала. Ошибки персонала происходят вследствие недостатка данных для принятия решений, поскольку ряд значений параметров трудно определить. Кроме этого, присутствует недостаток теоретических знаний о взаимосвязях и взаимозависимостях между микроорганизмами, очищающими воду, и составом воды. Поэтому часто принимаются неправильные решения по управлению ОСВ, в связи с чем возникает проблема повышения их качества.

Повышение эффективности управления ОСВ первоначально достигалось за счет автоматизации управления на этапах наблюдения, сбора, обработки и анализа информации средствами пакетов математического анализа данных, внедрения автоматизированных систем управления технологическими процессами (АСУТП). Вопросами автоматизации обработки результатов наблюдений и анализа состояния водной среды занимались ведущие российские ученые: П. Г. Булгаков, А. П. Левич, В. Н. Максимов, JI. Сазонова, и др., а также зарубежные ученые Д. Йохансен, Д. Л. Осмонд Г. Хартвигстеп, и др. Автоматизации сбора, хранения и анализа данных недостаточно для того, чтобы управляющие (технологи, главные инженеры) очистными сооружениями смогли принимать эффективные решения по управлению процессом ОСВ — необходима автоматизация процесса поддержки принятия решений, отсутствующая в системах АСУТП. Под понятием «поддержка принятия решений» понимается совокупность процедур, обеспечивающих лицо, принимающее решение, необходимой информацией и рекомендациями, облегчающими процесс принятия решений. Повышение эффективности управления за счет автоматизации поддержки принятия решений, в том числе и па основе методов и средств искусственного интеллекта, рассмотрено в трудах В. И. Васильева, Т. А. Гаврнловой, В. А. Геловани, В. М. Глушкова, Б. Г. Ильясова, А. Г. Мамиконова, Д. А. Поспелова, Ю. Ф. Тельпова, Э. А. Трахтенгерца, JI.P. Черняховской, НЛО. Юсупова, а также зарубежных ученых А. Аамодта, Р. Бергмана, М. Рихтера, и др. Исследования В. Е. Гвоздева, С. В. Павлова посвящены информационному обеспечению контроля и управления состоянием природпо-техпическнх систем. В последние годы такие зарубежные ученые, как С. Кровнди, М. Санчез-Марре, К. Федра, и др., разрабатывают системы, автоматизирующие процесс принятия решений на основе методов и средств искусственного интеллекта для управления ОСВ па очистных сооружениях. В то же время недостаточно исследованной является проблема разработки интеллектуальной системы поддержки принятия решений для управления процессом очистки сточных вод на основе интеграции нескольких методов н средств инженерии знаний, что обуславливает актуальность выбранного направления исследований.

Диссертационное исследование является составной частью исследований, проведенных в рамках гранта РФФИ (проект № 03−07−90 242 на 2003;2005гг.) по теме: «Интернет-комплекс поддержки выполнения проектов фундаментальных исследований сложных систем с применением интеллектуальных технологий на базе экспертных систем», а также поддержано грантом международной службы академических обменов ДААД (на 2004;2005 гг.).

Цель работы и задачи исследования.

Целыо настоящей работы является повышение эффективности управления за счет организации поддержки принятия решений и разработка моделей, методов и алгоритмов интеллектуальной системы поддержки принятия решений на основе онтологии (на примере управления очисткой сточных вод).

Для достижения поставленной цели решаются следующие задачи:

1. Предложить подход к поддержке принятия решений при управлении очистными сооружениями, обеспечивающий получение и интеграцию общих и специальных знаний о предметной области, поступающих из различных источников и описываемых различными моделями представления знаний: онтологией, правилами и прецедентами проблемных ситуаций.

2. Провести анализ и моделирование структуры объектов и динамики процессов их взаимодействия при управлении очисткой сточных вод. Разработать объектно-ориентированную модель интеллектуальной системы поддержки принятия решений, а также модель онтологии на основе объектно-когнитивного анализа.

3. Разработать структуру онтологической базы знаний в области управления процессом очистки сточных вод, позволяющую интегрировать различные модели представления знаний и синтезировать новые знания.

4. Разработать метод поиска решений в онтологической базе знаний, а также алгоритмическое и программное обеспечение, реализующее предложенный метод.

5. Разработать методику создания интеллектуальной системы поддержки принятия решений для управления процессом очистки сточных вод на основе объектпо-когпитивпого анализа.

6. Исследовать эффективность использования интеллектуальной системы поддержки принятия решений в процессе управления очисткой сточных вод в проблемных ситуациях для повышения качества очищенной воды.

Методы исследовании.

В работе использовались принципы и методы системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, онтологического анализа, дескриптивная логика, методы искусственного интеллекта, интеллектуального анализа данных.

На защиту выносился.

1. Объектпо-ориентироваппая модель процесса поддержки принятия решений в процессе управления очисткой сточных вод.

2. Модель онтологии процесса очистки сточных вод, отражающая основные категории и атрибуты управляемого процесса, а также отношения между ними.

3. Структура онтологической базы знаний, содержащая онтологию предметной области, интегрированную с правилами и онтологией прецедентов проблемных ситуаций.

4. Метод поиска решений в онтологической базе знании, а также алгоритмическое и программное обеспечение, реализующее предложенный метод.

5. Методика разработки интеллектуальной системы поддержки принятия решений при управлении процессом очистки сточных вод.

6. Результаты исследования эффективности предложенной интеллектуальной системы для информационной поддержки персонала при управлении процессом очистки сточных вод.

Научная новизна.

1. Новизна предложенного онтологического подхода к организации поддержки принятия решений при управлении очистными сооружениями состоит в том, что данный подход позволяет выявить и учесть скрытые взаимосвязи и взаимозависимости, сохранить целостность и непротиворечивость знаний в процессе их сбора, обработки и представления.

2. Новизна структуры онтологической базы знаний поддержки принятия решений состоит в интеграции общих и специальных знаний о предметной области в форме онтологии. Общие знания выявлены и сформированы на основе разработанной онтологической модели предметной области.

Специальные знания представлены в форме онтологии прецедентов, отличительной особенностью которых является их объектная структура.

3. Новизна метода поиска решений заключена в использовании логического вывода па основе правил и вывода по аналогии па основе прецедентов, представленных в онтологической базе знаний. Отличительной особенностью метода является использование предложенных мер сходства классов онтологии и их свойств.

4. Новизна предложенной методики построения интеллектуальной системы поддержки принятия решений для управления процессом очистки сточных вод заключается в применении принципов объектно-когнитивного анализа па этапе моделирования, а также в интеграции моделей правил и прецедентов на основе онтологии на этапе формализации процесса поиска решений.

Практическая значимость.

1. Разработанная онтологическая база знаний позволяет увеличить полноту информационного обеспечения и обучать персонал очистных сооружений.

2. Предложенная методика позволяет в автоматизированном режиме построить интеллектуальную систему поддержки принятия решений па основе онтологии.

3. Разработанное программное обеспечение интеллектуальной системы поддержки принятия решений позволяет при управлении очистными сооружениями принимать более качественные решения по выходу из проблемных ситуации и их предотвращению.

Основные результаты диссертационной работы внедрены в виде информационного, алгоритмического и программного обеспечения интеллектуальной системы поддержки принятия решений, используемой при обучении и тренинге персонала ООО «Водоканал» г. Давлекапово, а также в учебном процессе Уфимского государственного авиационного технического университета при разработке методических указаний к лабораторным работам.

Апробация работы.

Результаты работы докладывались и обсуждались на следующих конференциях: «Интернет-технологии и современное информационное общество» (Третья Всероссийская научно-методическая конференция, Санкт-Петербург, 2000) — «Системный анализ в проектировании и управлении» (Международная научно-практическая конференция, Санкт-Петербург, 2001, 2002, 2006) — «Радиоэлектроника, электротехника и энергетика» (Международная научно-техническая конференция, Москва, 2003) — «Радиоэлектроника и молодежь в XXI веке» (7-й международный молодежный форум, Харьков, Украина, 2003) «Интеллектуальные системы управления и обработки информации» (Международная молодежная научно-техническая конференция, Уфа, 2003) — «Компьютерные науки и информационные технологии — CSIT» (Международный симпозиум, Уфа, 2003, Карлсруэ, Германия, 2006) — «Искусственный интеллект в XXI веке» (Всероссийская научно-техническая конференция, Пенза, 2003, 2005) — «Проблемы управления и моделирования в сложных системах» (VI международная конференция, Самара, 2004; «Бизнес взаимодействие» (11-ая международная конференция, Мюнхен, Германия, 2005) — «Меры сходства — процессы — автоматизация» (Международный симпозиум, Чикаго, США, 2005).

Публикации.

Основные положения и результаты исследования по теме диссертации опубликованы и непосредственно отражены в 20 работах, в том числе в 8 статьях, из них I — в издании, входящем в список ВАК, 10 материалах и трудах конференций, 2 свидетельствах об официальной регистрации программ для ЭВМ.

Выводы по 4 главе.

1.Проведено исследование существующих программных средств реализации, необходимых для разработки интеллектуальной системы поддержки принятия решений. Разработана онтологии предметной области и прецедентов проблемных ситуаций. Сформулированы правила определения класса проблемной ситуации.

2.Разработано программное обеспечение для организации поиска решений на основе онтологии с учетом мер сходства и выдачи рекомендаций технологу очистных сооружений. На примере описана работа интеллектуальной системы поддержки принятия решений.

3.Разработана имитационная модель оценки эффективности с применением аппарата сетей Петри. Установлено, что использование интеллектуальной системы поддержки принятия решений в проблемных ситуациях повышает эффективность принятия решений, выражающееся в повышении качества очищенной сточной воды.

4.Рассмотрены перспективы развития исследовании в области поддержки принятия решений управляющих процессом очистки сточных вод н сделан вывод об их необходимости и актуальности.

ЗАКЛЮЧЕНИЕ

.

В ходе исследования автором был сделан ряд выводов и получены следующие результаты:

1. Предложен онтологический подход к разработке информационных систем в области поддержки принятия решений по управлению процессом очистки сточных вод на основе инженерии знаний, обоснована его необходимость. Сущность подхода состоит в получении и интеграции экспертных знаний в форме онтологии, правил и прецедентов, что позволяет обеспечить более полное представление знаний об управляемом процессе.

2. На основе результатов проведенного анализа и моделирования структуры объектов и динамики процессов их взаимодействия при управлении очисткой сточных вод разработана объектно-ориентированная модель, определяющая структуру интеллектуальной системы поддержки принятия решений, а также необходимые операции для поддержки принятия решений. В результате объектно-когнитивного анализа разработана модель онтологии процесса управления очисткой сточных вод.

3. Разработана онтологическая база знаний поддержки принятия решений при управлении процессом очистки сточных вод, отличительной особенностью структуры которой является интеграция общих и специальных знаний о предметной области в форме онтологии. Интеграция моделей стала основой синтеза новых знаний, позволила обеспечить необходимую полноту и точность знаний.

4. Разработан метод поиска решений, включающий логический вывод па основе правил и вывод по аналогии на основе прецедентов, представленных в онтологической базе знаний. Отличительной особенностью метода является использование предложенных мер сходства классов онтологии и их свойств. Для реализации метода разработано алгоритмическое и программное обеспечение в соответствии со стандартами семантической сети (Semantic Web), что обеспечивает взаимодействие управляющих очистных сооружений и специалистов-экспертов, участвующих в разработке онтологической базы знаний н принятии решений.

5. Разработана методика проектирования интеллектуальной СППР. Особенность предложенной методики заключается в применении принципов объектно-когнитивного анализа на этапе моделирования, а также в интеграции моделей правил и прецедентов па основе онтологии па этапе формализации процесса поиска решений.

6. Разработана имитационная модель оценки эффективности с применением аппарата сетей Петри. Установлено, что использование интеллектуальной системы поддержки принятия решений в проблемных ситуациях повышает эффективность принятия решений, выражающееся в повышении качества очищенной сточной воды.

Показать весь текст

Список литературы

  1. Водоотведение населенных мест, санитарная охрана водоемов. Организация госэпиднадзора за обеззараживанием сточных вод. Методические указания. МУ 2.1.5.800−99 26 с.
  2. Государственный доклад по охране окружающей среды Российской Федерации (за 1994, 1998гг). 140 с.
  3. Методика расчета предельно допустимых сбросов (ПДС) загрязняющих веществ в водные объекты со сточными водами. М.: Госкомприрода СССР, 1990. — 113 с.
  4. О санитарно-эпидемиологической обстановке в Российской Федерации в 2004 году: Государственный доклад.— М.: Федеральный центр гигиены и эпидемиологии Роспотребпадзора, 2005.—269 с.
  5. Охрана поверхностных вод от загрязнения: СанПиН 4630−88. М., 1998.
  6. ПДК химических веществ в воде водных объектов хозяйственно-питьевого и культурно-бытового водопользования: ГН 2.2.5.686−98. М., 1998.-№ 78.
  7. Правила охраны поверхностных вод. Введены с 1.03.91. М.: Госкомприрода СССР, 1991.
  8. Строительные правила и нормы водоснабжения, наружных сетей и сооружений. СииП 2.04.02−84−6*.
  9. Федеральный закон «Водный кодекс Российской Федерации» от 16.11.95 № 167-ФЗ.
  10. Ю.Федеральиый закон «Об охране окружающей среды» от 10 января 2002 г. № 7-ФЗ.
  11. Федеральный закон о плате за пользование водными объектами от 06.09.1998 № 71-ФЗ (с изменениями от 07.08.2001 № 111-ФЗ).
  12. А.Ф., Меншуткин В.В., Левченко В.Ф.и др. //Невская губа-опыт моделирования (под ред. В.В.Мепшуткина). С-Пб., 1997. — 375с.
  13. А. В., Андрейчикова О. Н. Интеллектуальные информационные системы: Учебник. М.: Финансы и статистика, 2004. -424 с.
  14. В.Х., Гвоздев В. Е., Павлов С. В. Единая государственная система экологического мониторинга в Республике Башкортостан // Экологические проблемы регионов России. 1997. — N 4. — С. 23 — 58.
  15. Р. А., Ильясов Б. Г., Черняховская JI. Р. Проблемы управления сложными динамическими объектами в критических ситуациях на основе знаний. М.: Машиностроение, 2003. — 240 с.
  16. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский СПб: Питер, 2000. — 384 с.
  17. П., Радд Д. Стратегия защиты окружающей среды от загрязнения. М.: Мир, 1980. — 450 с.
  18. Г. П. и др. Предельно допустимые концентрации химических веществ в окружающей среде. JL: Химия, 1985. — 689 с.
  19. Н.Г., Левич А. П., Максимов В. П. Прогноз состояния экосистем и нормирование факторов среды в водных объектах Нижнего Дона // Изв. РАН. Сер. биол. 1997. — № 3. — С.374−379.
  20. Буч Г. Объектно-ориентированный анализ и проектирование: с примерами приложений на С++. «Издательство Бином». «Невский диалект», 1998.-560 с.
  21. Буч Г., Рамбо Д., Джекобсон А. Язык UML. Руководство пользователя: Пер. с англ. М.: ДМК, 2000. — 432 с.
  22. А.В., Гришман З. М., Евдокимов И. И., Левченко В. Ф., Уральский В. Л. Создание экологических баз данных для Финского залива // Информационные системы в пауке (материалы симпозиума).- М., 1995.-е. 31.
  23. Т.А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. М., Радио и связь. -1992. — 200с.
  24. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник.- СПб, Изд-во «Питер», 2000.-382с.
  25. Гольд 3. Г., Чупров В. М., Гольд В. М. и др. Экологический мониторинг Красноярского водохранилища (принципы, этапы организации, схема, модели. // Вестник Красноярского государственного университета. — Красноярск: КрасГУ,№ 5.-2003.-С. 1−10.
  26. А. М. Реки и озера Башкортостана. Уфа, Китап, 2001. — 260с.
  27. В. А., Башлыков А. А., Брнтков В. Б., Вязилов Е. Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. -М.: Эдиториал УРСС, 2001. 304 с.
  28. В. А., Захаров В. В., Коваленко А. Н. Введение в системный анализ: Учеб. пособие / Под ред. Л. А. Петросяна. Л.: Издательство Ленинградского университета, 1988. 232 с.
  29. В.В. Оценка экологического состояния водных объектов суши. //Экология. Безопасность. Жизнь. Экологический опыт гражданских, общественных инициатив. Гатчина, 1999. — с.200−217.
  30. .М., Дятлов Д. В., Богданович О. В., Громов Д. В., Корчагин К. А. Програмиый комплекс AQUACAD в системе управления качеством воды па водопроводных станциях. // Сантехника, № 3, 2004 с. 4−6.
  31. Н.С., Лапшин О. М. Способ подавления бактериального нитчатого вспухания активного ила/Патент 94 028 293/13 (28 252) от 27.07.94.
  32. II. С. Технологические и биохимические процессы очистки сточных вод па сооружениях с аэротенками. -М.:Акварос, 2003. 512с.37.3алевская А. А. Введение в психолингвистику. М.: Российск. Гос. Гумапнт. уп-т, 1999.-382 с.
  33. В.И., Измалков А. В. Техногенная и экологическая безопасность и управление риском. СПб: НИЦЭБ РАН, 1998. 482 с.
  34. Ю.А. Экология и контроль состояния природной среды. М.: Гидрометеоиздат, 1984. — 344 с.
  35. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие / В. И. Васильев, Б.Г. Ильясов- Уфимск. гос. авиац. техн. ун-т. Уфа, 1995. — 80 с.
  36. Кватрани Т. Rational Rose 2000 и UML. Визуальное моделирование. Пер с англ. -М.: ДМК Пресс, 2001.-176 с.
  37. О.Б., Колесниченко О. А., (ПУВКХ, г.Кривой Рог) Управление системой «аэротенк вторичный отстойник"// Водоснабжение и санитарная техника. 1995. № 12-с. 17−26.
  38. Ю. П., Лалетии А. П. Моделирование изменений экологических объектов с помощью нейронных сетей. // Сибирский экологический журнал. Новосиб.: СО РАН. Т. 6. № 4, 1999. — с. 449−452.
  39. А.П. Биотическая концепция контроля природной среды // Доклады РАН. 1994. — № 2. — с. 280−282.
  40. А.П., Н.Г.Булгаков, В.Н.Максимов. Теоретические и методические основы технологии регионального контроля природной среды по данным экологического мониторинга. М.: Изд-во МГУ, 2004. — 237 с.
  41. А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БЧВ — Петербург, 2003. — 736 с.
  42. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных: Пер. с франц. / Тейз А., Грибомон П., Юлен Г. и др.-М.: Мир, 1998.-494 с.
  43. Математические модели контроля загрязнения воды // Под ред. А. Джеймса. -М.: Мир, 1981. -471 с.
  44. Ю. Р., Мучник Ф. В., Романовская В. А., Садовников Ю. С. Математические модели в микробиологической практике. Киев: Наук. Думка, 1980.-196 с.
  45. Методика расчета предельно допустимых сбросов (ПДС) загрязняющих веществ в водные объекты со сточными водами. М.: Госкомприрода СССР, 1990.-71 с.
  46. И. В. Экологическая биотехнология: очистка природных и сточных вод макрофнтами. Казань: Изд-во Казанского государственного педагогического университета, 2001. — 394 с.
  47. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. М.: Наука, 1986. — 312 с.
  48. А.Н. Справочник гидрохимика.- М.: Химия, 1990.-221 с.
  49. М. М. Интеллектуальная информационная поддержка управления деловыми процессами на основе гипертекстовой базы знаний : Автореф. дисс. канд. техн. паук. Уфа, 2002. — 16 с.
  50. Н.О., Угрюмов М. С., Шкундина Р. А. Анализ процессов управления вычислительными сетями в критических ситуациях Системный анализ в проектировании и управлении: Международная научно-практическая конференция. С.-Петербург, 2001.- С.30
  51. , С., Норвиг, П. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. М.: Издательский дом «Вильяме», 2006. -1408с.
  52. И.Д. Прогноз качества воды водоемов приемников сточных вод. — М.: Стройиздат, 1984. — 150 с.
  53. Системный анализ в управлении: Учеб. пособие / B.C. Анфилатов, А. А. Емельянов, А.А. Кукушкин- Под ред. А. А. Емельянова. М.: Финансы п статистика, 2003. — 368 с.
  54. С.В. Онтологический анализ предметных областей моделирования// Известия Самарского научного центра РАН. 2001. Т.З. -№ 1.-С. 62−70.
  55. В.В., Мельченко В. Е., Бутовский P.O. и др. Оценка состояния и устойчивости геосистем. М. ВНИИ природа., 1992. — 127 с.
  56. Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. М.: СИНТЕГ, 2002. 316с.
  57. С. В. Географические информационные системы: сущность, структура, перспективы. // Итоги пауки и техники, сер. Картография. М.: ВИНИТИ, — 1991.-с.6−80.
  58. Э.А. Субъективность в компьютерной поддержке управленческих решений. Серия «Системы и проблемы управления». М.: СИНТЕГ, 2001.-256 с.
  59. Требования к производственному и государственному аналитическому контролю за сбросом загрязняющих веществ в составе возвратных вод. М.: Минприроды РФ, 1995. 56 с.
  60. Управлеиие динамическими системами в условиях неопределенности / С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др. М., Наука, 1998. — 452с.
  61. М., Скотт К. UML. Основы. Пер. с англ. — СПб: Символ-Плюс, 2002. — 192 с.
  62. Н. И. Информационная поддержка принятия решений в процессе оперативно-диспетчерского управления региональной энергосистемой : Автореф. Дисс. .канд. техн. Наук. Уфа, 2004.—16с.
  63. Л. Р. Никулина И.О. Старцева Е. Б. Шкундина Р.А. Герасимова И. Б. Исследование процесса разработки баз знаний экспертных систем: Методические указания к лабораторным работам по курсу «Экспертные системы», Уфа: УГАТУ, 2004. 40 с.
  64. Л.Р., Шкундина Р. А., Угрюмов М. С. Моделирование ситуационной базы знаний па основе объект! ю-когпитивпого анализа.
  65. Искусственный интеллект в XXI веке: Сборник статей всероссийской научно-технической конференции. Пенза, 2003.-С. 98−101.
  66. Л.Р., Шкундина Р. А., Осипова И. В., Герасимова И. Б. Нейро-нечеткое моделирование в среде MATLAB: Методические указания к лабораторным работам. Уфа: УГАТУ, 2004. 25 с.
  67. Л.Р., Шкундина Р. А., Осипова И. В. Объектпо-ориептированиые модели представления корпоративных знаний Успехи современного естествознания: Научно-теоретический журнал. М.: Изд-во «Академия Естествознания», № 7,2003. -С.88
  68. Л.Р., Шкундина Р. А., Угрюмов М. С., Федорова Н. И. Поиск решений в базе прецедентов критических ситуаций: Алгоритмы и программы: Бюллетень ВНТИЦ. Реферат // 2003. № 1. № 50 200 200 180. Порядк.№ 2003.01.0114.
  69. М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы № 1, 1998, С. 30−35.
  70. В.К., Розенберг Г. С., Зипченко Т. Д. Количественная гндроэкология: методы системной идентификации. Тольятти: ИЭВБ РАН, 2003.-463 с.
  71. Р.А., Угрюмов М. С. Использование информационных моделей представления знаний для разработки систем мониторинга биоразнообразия Радиоэлектроника и молодежь в XXI веке: 7-й международный молодежный форум.-Харьков, 2003 С. 300.
  72. Р.А. Методика разработки нечеткой базы знаний для системы экомониторинга. Успехи современного естествознания: Научно-теоретический журнал. М.: Изд-во «Академия Естествознания», № 11, 2003. — С. 139.
  73. Р.А., Угрюмов М. С. Формирование предметной онтологии. Системный анализ в проектировании и управлении: труды международной научно-практической конференции. СПб.: Изд-во СПбГПУ, 2006. С. 285−288.
  74. Р.А. Проблемы экологического мониторинга на основе знаний Интеллектуальные системы управления и обработки информации: Всероссийская молодежная научно-техническая конференция. Уфа: УГАТУ, 2003.-С.207.
  75. Ф.Б., В. А. Кпнсс, Шкундина Р. А., Тамипдарова JI. А. Интеллектуальный анализ данных мониторинга биологических очистных сооружений // Экология и промышленность России. М., сентябрь 2006 с. 35−37.
  76. Ю.И., Федотов A.M. Информационные технологии Internet // Вычислительные технологии. 1997. — Том 2, N 3. — с. 33−41.
  77. Экоинформатнка. Теория. Практика. Методы и системы. / Под ред. академика РАН В. Е. Соколова. СПб.: Гидрометеоиздат, 1992. — 520 с.
  78. Aamodt A. Towards robust expert systems that learn from experience. An architectural framework.// In Proceedings of the 3rd European Knowledge Acquisition for Knowledge-Based Systems Workshop (EKAW-89). Paris, France, 1989.- pp. 311−326.
  79. , A. & Plaza, E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications, 7(i), (1994)-pp.39−59.
  80. Agre G. A case-based integrated learning architecture. //In D. Dochev, V. Stefanuk, and I I. Ueno (Eds.), Proc. of the JCKBSE'96 Second Joint Conference on KB Software Engineering, Sozopol, Bulgaria, 1996. — pp. 48−54.
  81. Alamran, X., Romero S., Aguirre C., P. Serrahima P., Mu~noz R., Lropez V., Dorronsoro J., and E. de Pablo. //Mip: A real time expert system. In
  82. Proceedings of the 8th Conf. On Artificial Intelligence Application (CAIA-92), Monterrey, CA, USA, 1992. pp. 302−322.
  83. Avouris, N. M. Co-operating knowledge-based systems for environmental decision-support. //Knowledge-Based Systems, 1995, 8(1).- Pp. 39−53.
  84. Baeza, J., E. Ferreira, and J. Lafuente. Knowledge-based supervision and control of wastewater treatment plant: a real-time implementation. //Water Science & Technology, 2000,41(12). pp. 129−137.
  85. Baader, F., Calvanese, D., etc. «The description logic handbook». Theory, implementation, and applications. © Cambridge University Press 2003. 555p.
  86. Baker P. G., Goble C. A., Bechhofer S., Paton N. W., Stevens R., and Brass A. An ontology for bioinformatics applications.//Bioinformatics, 1999,15(6).-pp. 510−520.
  87. Becker B. The limits of knowledge acquisition. Technical Report FB-14, Dortmund University, Germany.- 1987.- 112p.
  88. Bergmann, R. Experience Management: Foundations, Development Methodology, and Internet-Based Applications, volume 2432 of LNAI, Springer, 2002.-361 pages.
  89. Cherniahovskaya L., Nugaeva K., Shkundina R., Muksimov P. Decision Support Making in Business Process based on Object-Cognitive Analysis. Proceedings of the lllh International Conference on Concurrent Enterprising. Munich, Germany, 2005, p. 41−44.
  90. Digby, P.G.N, and Kempton R.A. Multivariate analysis of ecological communities. Published in the USA by Chapman and Hall. ISBN 0−412−24 640−6211 pages.
  91. Horridge M., Knublauch H., Rector A., Stevens R., Wroe С. A Practical Guide To Building OWL Ontologies Using The Protege-OWL Plugin and CO-ODE Tools Edition 1.0. The University Of Manchester, 2004.- 270 pages.
  92. Fedra, K. Expert systems in water resources simulation and optimization. // In Marco et al. 1993. pp. 397−412.
  93. Fenner R.A. and Savvard G. Towards Assessing Sewer Performance and Serviceability using Knowledge Based Systems. Proceedings, 9TH International Conference on Urban Drainage, Portland, 2002.-pp.43−59.
  94. Fedra, K. Decision support for natural resources management: models, GIS and expert systems.//AI Applications, 9(3), 1995. pp. 3−19.
  95. Finch F. E., Oyeleye О. O., and Kramern M. A. A robust event-oriented methodology for diagnosis of dynamic process systems. //Computers & Chemical Engineering, 14(12), 1990. pp.1379−1396.
  96. Guarino N., Giaretta P. Ontologies and Knowledge Bases: Towards a Terminology Clarification. Towards Very Large Knowledge Bases: Knowledge Building &Knowledge Sharing. // IOS Press. 1995.- pp.25−32.
  97. Hadjimichael M., Arunas P., Kuciauskas L., and Brody R., «MEDEX: A fuzzy system for forecasting Mediterranean gale force winds,» in Proc. FUZZ-IEEE96. IEEE Int. Conf. On Fuzzy Systems, New Orleans, 1996, pp.529−534.
  98. Hartvigsen, G. and D. Johansen. Cooperation in a distributed AI environment the StormCast application // Eng. Appli. of AI, 3, 1990. — pp.229 237.
  99. Horrocks I., Patel-Schneider P. F., Bechhofer S. and Tsarkov D. OWL rules: A proposal and prototype implementation // Web Semantics: Science, Services and Agents on the World Wide Web, Vol. 3(1), 2005. pp. 23−40
  100. Jain A.K.and Dubes R.C. Algorithms for Clustering Data. Englewood Cliffs, N.J.: Prentice Hall, 1988. 320 pages.
  101. Krovidy S., Wee, W.G. Wastewater treatment systems from case-based reasoning // Machine Learning, 10, 1991. pp.341 -363.
  102. Levchenko V.F., Grisman Z.M., Snetkova O.A. Ecological Databases of Finnish Guif. //Proceeding of 2nd Practical Conference SUSTAINABLE DEVELOPMENT: SYSTEM ANALYSIS IN ECOLOGY. Sevastopol, 1997, September. pp 52−53.
  103. Marsili-Libelli, S. (1998). Adaptive fuzzy monitoring and fault detection. Int. J. COMADEN, 1(3), 1998.-pp.31−38.
  104. Matvvin, S., Charlebois D., Goodenough D. G., and P. Bhogal P. Machine learning and planning for data management in forestry. //IEEE Expert Systems, 10(5), 1995. pp.35−40.
  105. Maximov V.N., Bulgakov N.G., Levich A.P. Quantitative methods of ecological control: Diagnostics, Standardization, and Prediction // Environmental indices: Systems Analysis Approach. London: EOLSS Publishers. 1999. -pp.363−381.
  106. Neches, R., Fikes R., Finin Т., Gruber Т., Patil R., Senator Т., and Swartout W. R. Enabling Technology for Knowledge Sharing. //AI Magazine, 12(3), 1991. pp.36−56.
  107. Newell, A. Unified theories of cognition. //Harvard University Press, Cambridge, MA, USA. 1990. — 360 pages.
  108. Novotny V., Jones I I., Feng X., and Capodaglio A. G. Time Series Analysis Models of Activated Sludge Plants.//Water Science & Technology, 23(4−6), 256. 1990.-pp. 1107−1116.
  109. Ortolano L., LeCoeur G., and MacGilchrist R. Expert System for Sewer Network Maintenance: Validation Issues. //Journal of Computing in Civil Engineering, 4(I), 1990. pp.37−54.
  110. Osmond D. L., Gannon R. W., etc. WATERSHEDSS // AWRA Journal of the American Water Resources Association, Volume 33, No. 2, 1997. -pp. 327−341.
  111. Patry G. and Chapman D.(Eds.) //Dynamic modelling and expert systems in wastewater engineering. Lewis Publisher.- 1989. 310 pages.
  112. Riano, D. Learning rules within a framework of environmental sciences.//ln ECAI 98 W7 (BESAI98) workshop notes, Brighton, UK, 1998. — pp. 151−165.
  113. Rickel, J. and Porter В. Automated Modeling of Complex Systems to Answer Prediction Questions.//Artificial Intelligence, 93, 1997.-pp. 201−260.
  114. Sanchez-Marre, M. DAI-DEPUR: an integrated supervisory multilevel architecture for wastewater treatment plants. Ph. D. thesis, Software Department, UPC, Barcelona, Spain, 1995. -349 pages.
  115. Sanchez-Marre M., Cortres U., I. R-Roda I., and Poch M. Case learning through a similarity measure for continuous domains. //In ECAI 98 W7 (BESAI98) workshop notes, Brighton, UK, 1998. — pp. 39−53.
  116. Sanchez-Marre M., Cortres U., R-Roda I., and Poch M. Sustainable case learning for continuous domains. //Environmental Modelling & Software, 14, 1999. pp.349−357.
  117. Sazonova, L. and Osipov G. Intelligent system for fish stock prediction and allowable catch evaluation. //In ECAI 98 W7 (BESAI98) workshop notes, Brighton, UK, 1998. — pp. 181−96.
  118. Schank, R. S. Dynamic memory: a theory of learning in computers and people. Cambridge, UK: Cambridge University Press. -1982. -P. 173.
  119. Serra, P. Development of a knowledge-based system for control and supervision of urban wastewater treatment plants.// Ph. D. thesis, Chemistry Department, UAB, Barcelona, Spain. 1993. -280 pages.
  120. Shepherd, A. and L. Ortolano Water-supply system operations: Critiquing expert-system approach. //J. Of Water Resources Planning and Management, 122(5), 1996. pp. 348−355.
  121. Shkundina R., Schwarz, S.: A Similarity Measure for Task Contexts // Proceedings of the 6th International Conference on Case-Based Reasoning (ICCBR) 2005, LNCS 3620, Springer Verlag, 2005. August 2005, Chicago, pp. 261 -270.
  122. Steels, L. Components of expertise // AI Magazine, 11, 1990, pp. 28−49.
  123. The Semantic Web: A Guide to the Future of XML, Web Services, and Knowledge Management by Michael C. Daconta, Leo J. Obrst and Kevin T. Smith ISBN:471 432 571. John Wiley & Sons © 2003 (281 pages).
  124. , V. (1994). Towards integrated process supervision: current status and future directions.// In Proceedings of the 2nd IFAC workshop on Computer Software Structures Integrating AI / KBS Systems in Process Control, 1994. pp. 9−21.
  125. Yang, С. T. and J. J. Kao An expert-system for selecting and sequencing wastewater treatment processes. //Water Science & Technology, 34(3−4), 1996.-pp. 347−353.
  126. Zhu, X. X. and A. R. Simpson (1996). Expert system for water treatment plant operation. //Journal of Environmental Engineering, 122(9), 1996, -pp. 822−829.
  127. Wright, J.L., Wiggins, R Jain, and T. John Kim (Eds.) Expert systems in Environmental Planning. Springer Verlag, 1993. — 240 pages.
  128. В. А., Булгаков Н. Г., Левич А. П. и др. Аналитическая информационная система «Экология пресных вод России» как инструмент биологических исследований. // www.ecograde.bio.msu.ru
  129. Водоснабжение и водоотведепие. Пособие по автоматизации коммунального хозяйства // http://www.u-e.ru.
  130. Ной Н.Ф., МакГиппесс Д. Л. Руководство по созданию Вашей первой онтологии // www.ittal.kstu.ru/publ/ONTOLOGYtrans r.doc.
  131. Применение MOSCAD в системах очистки сточных вод // http://www.rlt.ru/products/moscad/moscadwaste.html.
  132. В.В. Информационные технологии экологической безопасности // http://www.gisa.ru/9978.html.
  133. Учебник по очистке сточных вод. Международный независимый эколого-политологнческий университет // http://www.mnepu.ru/.
  134. Environmental Protection Agency// http://epa.gov/HPCC/homep.html.
  135. Business Information Solutions // www.esri.com/aboutesri.html.
  136. Motik, B. Reasoning in description logics using resolution and deductive databases. Ph.D. Thesis, 2005 // www.fzi.de/ipe/eng/publikationen.php/.
  137. Web Ontology Language (OWL). Edited by Miller E., 2004 // The World Wide Web Consortium (W3C) // http://www.w3.org/2Q04/OWL.
Заполнить форму текущей работой

Сессия? Спокойно!