CC BY
21
Методика комплексно!* обробки шформацп вщ техшчних 3aco6iB монiторингу
Methods of Complex Data Processing from Technical Means of Monitoring
Серий Тимчук1 Serhii Tymchuk
1 Zhytomyr Military Institute named after S. P. Koroljov 22 Prospect Miru, Zhytomyr, 10004, Ukraine, tsergio89@gmail.com
Анотащя. Розглянуто проблему обробки шформацп вщ рiзнорiдних техшчних 3a^6iB мошторингу. Як можливий Bapiam" вирiшення проблеми запропоновано застосування узагальненоТ методики обробки шформацп на основi методики кластеризацп теpитоpiaльно сумiщених iнфоpмaцiйних джерел мошторингу та використання фреймовоТ моделi бази знань щентифкацп об'eктiв монiтоpингу. Методику кластеризацп' сформовано на основi iepapхiчноТ агломеративноТ процедури Ланса-Уiльямсa iз застосуванням метрики Уорда. Фреймова модель бази знань побудована iз використанням шструментальних зaсобiв об'ектно-оpieнтовaного моделювання.
Ключов1 слова: кластерний aнaлiз; база знань; фрейм; об'ектно-оpieнтовaне моделювання
Abstract. The problem of processing the information from different types of monitoring equipment was examined. The use of generalized methods of information processing, based on the techniques of clustering combined territorial information sources for monitoring and the use of framing model of knowledge base for identification of monitoring objects was proposed as a possible solution of the problem. Clustering methods were formed on the basis of Lance-Williams hierarchical agglomerative procedure using the Ward metrics. Frame model of knowledge base was built using the tools of object-oriented modeling.
Keywords: cluster analysis; knowledge base; frame; object-oriented modeling.
DOI: 10.22178/pos.20-4
LCC Subject Category: T58.5-58.64
Received 3.03.2017 Accepted 23.03.2017 Published online 26.03.2017
© 2017 The Author. This article is licensed under a Creative Commons Attribution 4.0 License
Вступ
Сучасний свтт характеризуется всеохоплю-ючим проникненням шформацшних техно-логш та шформацшних систем у Bci сфери дь яльност та побуту людини. Одним i3 рiзно-B^AiB шформацшних систем е системи мошторингу. Прикладами таких систем е: системи мошторингу об'ек^в критично! шфраструк-тури, радюмошторингу, мониторингу стану довкыля, мошторингу шформацшного простору та шшь Системи мошторингу е складо-вою частиною нащонально! шформацшно!
шфраструктури, сумкно'' з аналогiчними системами шших кра'н.
Особливим видом систем мониторингу е ком-плекснi просторово-розподыеш системи мо-нiторингу (КПРСМ), що використовуються для iнформацiйного забезпечення спожива-чiв у рiзних сферах дiяльностi та належать до класу систем добування шформацп. У щлому загальна дощльшсть створення й викорис-тання таких систем визначаеться можливос-тями шдвищення якостi iнформацiйного забезпечення надсистем-споживачiв на основi
одержання даних про об'екти мониторингу (ОМ) ь насамперед, про !хш координати як найбыьш шформативну i стiйку характеристику об'ек^в [1; 2].
Основним призначенням КПРСМ е щентифь кацiя об'екпв монiторингу, оцiнювання !х поточного стану та прогнозування подальшо! поведшки на основi об'еднання шформацп, що добуваеться в просторово рознесених пунктах (датчиках) системи [3].
Процес обробки шформацп у КПРСМ можна подыити на такi етапи [4]:
- первинна обробка шформацп мониторингу (1М);
- часткова обробка iнформацГi монiторингу;
- повна обробка шформацп мошторингу.
Першi два етапи стосуються окремих техшч-них засобiв монiторингу (ТЗМ) систем мош-торингу або пщсистем видiв монiторингу, то-дi як 3 етап вщбуваеться на найвищому рiвнi iерархГi КПРСМ та передбачае об'еднання ш-формацп вiд усiх наявних пiдсистем.
У ходi повно! обробки iнформацГi мошторингу виникае потреба видыення груп територь ально сумiщених iнформацiйних джерел мониторингу та iдентифiкацГi об'ек^в мошто-рингу з формуванням висновюв про !х поточ-ний стан [5; 6].
Завдання видыення груп територiально су-мiщених iнформацiйних джерел мошторингу може виршуватися людиною шляхом аналiзу множини отриманих у КПРСМ оцшок координат iнформацiйних джерел мошторингу на площиш, якi представляються за допомогою засобiв вiзуального вщображення даних. Ви-явлення груп шформацшних джерел мошто-рингу може здшснюватися без участi люди-ни, якщо для розв'язку ще! задачi використо-вувати методи класифiкацГi без учителя (са-монавчання), до яких належать методи автоматично! класифiкацГi (кластерного аналiзу) i розщеплення сумiшей розподiлiв спостере-жуваних параметрiв. У цей час вщома велика кiлькiсть алгоритмiв автоматично! класифь кацп, якi можуть бути використаш для розв'язку зазначено! задачi з урахуванням особливостей завдання статистично! струк-тури одержуваних даних. Опису методiв кластерного аналiзу та !х аналiзу присвяченi ро-боти [7; 8; 9]. Однак, для реалiзацii комплекс-нот обробки шформацп у КПРСМ недостатньо
розбити множину виявлених шформацшних джерел мониторингу на кластери, потрiбно також щентифжувати видыеш групи тери-торiально сумiщених об'ек^в.
Одним iз варiантiв реалiзацГi процесу щенти-фiкацГi видiлених кластерiв шформацшних джерел мониторингу у КПРСМ е створення та застосування вщповщно! бази знань (БЗ). Подача шформацп в конкретнш формi у базi знань дозволяе легко й модифжувати i по-повнювати; функцп виршення задач реаль зуються автономним мехашзмом логiчних виведень, що робляться на знаннях, яю зберь гаються в базь Саме вибiр методiв подання й одержання знань визначае арх^ектуру системи знань i на практищ виражаеться у вщ-повщнш органiзацГi бази знань i схеми керу-вання машиною виведення [10]. Методи подання знань детально проаналiзованi у пра-цях [10; 11; 12].
Аналiз вiдомих публшацш свiдчить про виче-рпне висвттлення методiв кластерного аналь зу та побудови баз знань штелектуальних систем. Однак, для побудови комплексно! методики обробки шформацп вщ техшчних засо-бiв монiторингу штерес становить поеднання цих пiдходiв з метою видыення кластерiв ш-формацшних джерел монiторингу та !х подальшо!' iдентифiкацГi, що не знайшло вщобра-ження у проаналiзованих джерелах.
Таким чином, метою статтi е побудова методики комплексно! обробки шформацп вщ техшчних засобiв мониторингу iз застосуван-ням кластерного аналiзу для видiлення груп територiально сумщених iнформацiйних джерел монiторингу, а також формування моделi бази знань для щентифжацп об'ектiв монiторингу з формуванням висновюв про !х поточний стан.
Результати дослщження
Вiдповiдно до зазначеного вище, комплексну методику обробки шформацп вщ технiчних засобiв монiторингу можливо представити у виглядi двох складових: методики кластерного аналiзу та моделi бази знань для щентифжацп об'ек^в монiторингу.
1снуе велика юльюсть алгоритмiв кластеризации кожен з яких мае сво! переваги та особ-ливостi застосування. Однак ряд авторiв [5; 8] вщзначають унiверсальнiсть та високу ефек-
тившсть iepapxi4Horo алгоритму Уорда, який, 1нтерпретуючи зазначений алгоритм [9] до по суть е одшею i3 реaлiзaцiй iерaрхiчноi аг- вихiдних умов у виглядi координат виявле-ломеративно'' процедури Ланса-Уыьямса. них iнформaцiйних джерел монiторингу,
отримаемо наступну методику кластеризации
Перше. Формування початково'' множини клaстерiв С0, в якiй кожне iнформaцiйне джерело монiторингу х е окремим кластером (1):
Ci = {{Х1}, {Х2}, {Xl}}, i = 0' (1)
де i - номер ггерацп;
l - кiлькiсть виявлених шформацшних джерел мошторингу.
Друге. Знаходження матрищ вщстаней R мiж елементами множини С0. В якостi метрики ви-користовуеться квадрат Евклщово'' вiдстaнi (2):
Ruv =(av -аи)2 + (bv -bu)2, (2)
де и, v - номери клaстерiв;
O v' buv - координати центру кластера (широта, довгота).
Трете. Знаходження мМмального елемента матрищ вщстаней. Об'еднання елемен^в, яю вщ-повiдaють мiнiмaльному значенню метрики в один кластер (3):
(U,V ) = argminRlvv, W = U u V, (3)
де W - об'еднаний кластер.
Четверте. Формування оновлено'' множини клaстерiв (4):
Сг = Сг-i u{W} \ {U,V}' (4)
П'яте. Обчислення вiдстaней мiж сформованим кластером та рештою клaстерiв за формулою Лaнсa-Уiльямсa (5)-(7):
R (U uV,S) = a^R (U,S) + avR (V,S) + PR (U,V) + yR (U,S ) - R (V,S ), (5)
a _ ЖЩ a y_0 (6)
aU |S| + |W|' aV SI + \W\' |S| + |W|' Y" ' (6)
Ry (W,S) = p2f X ЕЛ]
( ' ) |S|+Wp [iW|W|'¿SSIJ
де av' av' P' y - числовi параметри;
(7)
Ry (W, S) - вщстань (метрика) Уорда [9];
|S|' |U|' |V|' |W| - потужностi множин (кiлькiсть елементiв у кластерах) S, U, V та W. Шосте. Повторювати пункти 3-5 доки |C-| > 1.
Результат роботи iepapxi4Hoi' агломеративно'' процедури можливо вщобразити у виглядi спещального грaфiкa, який називають денд-рограмою. На вертикaльнiй осi вщкладають-ся об'екти, а на горизонтaльнiй - вщсташ Rv.
Визначення числа клaстерiв нaйпростiше здiйснити шляхом вщкидання право!' дiлянки дендрограми. На горизонтальны осi знахо-дять штервал максимально!' довжини R — R._j |, i в якостi результуючо'' кластеризацп видаеться множина клaстерiв Q. Юль-кiсть клaстерiв дорiвнюе K = l — i +1 [9].
З метою експериментально'' перевiрки наведено'' методики було розроблене спещальне програмне забезпечення «SZOI_on_MAP». Для
прикладу випадковим чином сформовано множину точок, що вщповщають положенню iнформaцiйного джерела монiторингу (рис. 1А). Дaлi, вiдповiдно до наведено'' вище методики, сформовано матрицю вщстаней мiж точками (табл. 1). В табл. 1 кольором ви-дыений мiнiмaльний елемент мaтрицi вщс-таней на початковому етат (до об'еднання клaстерiв). В результaтi роботи методики отримуеться юнцевий результат кластеризацп, що вiдобрaжaеться у виглядi видыених на кaртi мiсцевостi клaстерiв (рис. 1Б). Таким чином, за результатами тестування програм-но'' реaлiзaцГi методики кластеризацп шформацшних джерел мошторингу можна ствер-джувати про П прaцездaтнiсть та адекват-нГСТЬ.
А) Б)
Рисунок 1 - Програмна реалiзацiя методики кластеризацп виявлених шформацмних джерел монiторингу
Таблиця 1 - Ф
загмент матриц| в1дстанеи м1ж точками
1 2 3 4 5 6 7 8 9 10
1 0 6,19E+08 2,59E+08 2,07E+08 5,19E+08 1,35E+09 2,29E+08 2,85E+06 1,21E+09 2,01E+08
2 0 5,50E+08 1,10E+08 4,16E+08 7,21E+08 1,04E+09 5,61E+08 3,63E+08 1,20E+08
3 0 2,77E+08 1,10E+09 2,06E+09 9,70E+08 2,80E+08 1,63E+09 2,24E+08
4 0 3,08E+08 8,33E+08 5,45E+08 1,75E+08 5,69E+08 3,17E+06
5 0 1,97E+08 3,43E+08 4,46E+08 2,25E+08 3,72E+08
6 0 9,79E+08 1,23E+09 8,95E+07 9,37E+08
7 0 2,07E+08 1,12E+09 5,88E+08
8 0 1,10E+09 1,73E+08
9 0 6,47E+08
10 0
ПГсля видiлення груп (клaстерiв) територia-льно сумiщених iнформaцiйних джерел мошторингу постае проблема щентифшацп цих груп як об'ек^в мошторингу та формування висновюв про 'х стан. Для вирiшення ще''
проблеми пропонуеться побудова та викори-стання бази знань за предметною областю вщповщно до характеру типових об'ек^в мо-нГТОРИНГУ.
1снують десятки моделей (або мов) подання знань для рiзних предметних областей. Быь-шють iз них може бути зведена до наступних клаав: продукцшш модель семантичш мере-жъ фрейми, формальш логiчнi моделi [13].
Одним iз варiантiв типових об'ектiв мошто-рингу можуть виступати пiдроздiли збройних сил (як сво! так i протиборчо! сторони). Проведений аналiз дозволяе зробити висновок, що для побудови моделi подання знань у бази знань для розтзнавання об'ектiв мошторин-гу, доцiльно використати фреймовий пщхщ. Основною перевагою фреймiв як моделi подання знань е те, що вони вщображають кон-цептуальну основу органiзацГi пам'ятi люди-ни, а також й гнучкiсть i наочнiсть. Подання знань на основi фреймово!' моделi, особливо ефективно для структурного опису складних понять i вирiшення задач, у яких вщповщно до ситуацй бажано застосовувати рiзнi спосо-би виведення [10].
Першочерговим завданням при побудовi бази знань для щентифжацй об'ектiв монiторингу е формування моделi подання знань. Подання знань фреймами мае багато стльного iз об'ектно-орiентованим пiдходом, адже, по суть фрейм може бути представлений як клас iз його внутршшми атрибутами та методами [12; 14]. Тому, при побудовi фреймово! моделi бази знань можливо використати розвине-ний апарат об'ектно-орiентованого моделю-вання.
Таблиця 2 - Вiдношення мiж фреймами
Фрейм «Пщрозды» зв'язаний вщношенням узагальнення з фреймом «Об'ект мошторин-гу» та е його нащадком. Такими ж вщношен-нями зв'язаш iз фреймом «Пщрозды» та е його нащадками фрейми «Армшський корпус», «Бригада», «Батальйон», «Рота». При напов-
Стандартною нотaцiею для моделювання великих iнформaцiйних систем на бaзi об'ектно-орiентовaноi методологй служить ушфжова-на мова моделювання UML (Unified Modeling Language) [14]. Одним iз доступних шструме-нтальних зaсобiв е середовище Umbrello UML Modeller, яке задовольняе двом ключовим вимогам: безкоштовшсть i кросплатформе-нiсть. Цей додаток е выьним програмним за-безпеченням, призначеним для побудови Uml-дiaгрaм та пiдтримуе всi 'х стaндaртнi типи [15; 16].
Використовуючи середовище Umbrello UML Modeller, було побудовано фреймову модель бази знань для щентифжацй об'ек^в мониторингу. Фреймова модель була побудована як UML-дiaгрaмa клаав, де кожен фрейм пода-еться у виглядi класу з властивими йому атрибутами та процедурами. Отримана фрей-мова модель зображена на рис. 2.
Усього сформована модель мктить 8 фрей-мiв-зрaзкiв: «Об'ект монiторингу»' «Пщроз-ды», «Армiйський корпус», «Бригада», «Батальйон», «Рота», «Виявлений об'ект», «Видые-ний кластер». Кожному iз фреймiв-зрaзкiв (^м «Об'ект монiторингу» та «Пiдроздiл») вщповщають фрейми-екземпляри у виглядi вiдомостей про конкретш пiдроздiли. Побудована модель мае iерaрхiчну структуру та 3 види вщношень мiж фреймами: узагальнення, асощащя та зaлежнiсть. Грaфiчне зобра-ження вiдношень та 'х характеристики наве-денi у табл. 2.
ненш бази знань створюються фрейми-екземпляри зi структурою, аналопчною зга-даним фреймам, але слоти яких заповнеш вь дповiдно до ведомостей про конкретнi пщ-роздыи.
№ Назва вщношення Графiчне зображення Характеристика вiдношення
1. Узагальнення Вiдношення типу «нащадок / пращур». Нащадок успадковуе структуру i поведiнку свого пращура. Незафарбована стрыка вказуе на пращура.
2. Асоцiацiя -> Структурне вiдношення, що описуе множину зв'язюв (з'еднань) мiж об'ектами.
3. Залежшсть --> Вщношення використання, за якого змша одше'' сутностi (незалежно') може вплинути на шшу сутнiсть, яка й використовуе. Стрыка спрямована у бiк незалежно'' сутностi.
Армйський корпус
+ ISA: string = Пщроздт + Державна приналежжсть : string + Пртритет: string + Ширина по фронту mih. : floats SO + Ширина по фронту макс.: float = 200 + Гпибина шикування MiH : float = 80 + Гпибина шикуаання макс.: float = 150 + Загальна чисепьнють о/с: int + Загальна чисепьнють бойовоТ техжки : int + Типи бойовоТ техжки: nepeniK бойовоТ техжки + Юлькють РТЗ: int + Типи РТЗ : nepeniK РТЗ + Юльшсть засобш зв'язку : int + Типи засоб<в зв'язку: nepeniK saco6iB зв'язку
Бригада
+ ISA: string = nijjpo3flin + Державна приналежжсть : string + Прюритет: string + Ширина по фронту MiH.: float = 20 + Ширина по фронту макс : float = 45 + Гпибина шикування MiH.: float = 10 + Гпибина шикування макс.: float - 20 + Загальна чисепьшсть о/с: int + Загальна чисепьжсть бойовоТ техжки: int + Типи бойовоТ техжки : Переп!к бойово! техжки + KinbKicTb РТЗ: int + Типи РТЗ: nepeniK РТЗ + Юлькрсть засоб!в зв'язку: int + Типи засоб!в зв'язку : Перешк засобш зв'язку
Рота
+ ISA: string = Пщроздш + Державна приналежжсть : string + Прюритет: string + Ширина по фронту MiH. float = 2.5 + Ширина по фронтумакс.: float = 6 + Глибина шикування MiH.: float = 1,5 + Глибина шикування макс.: float = 2,5 + Загальна чисельжсть о/с: int + Загапьна чисельжсть бойово! техжки : int + Типи бойовоГ техжки llepeniK бойовоТ техжки + KinbKicTb РТЗ: int + Типи РТЗ: nepeniK РТЗ + KinbKicTb засобш зв'язку; int + Типи 3aco6ie зв'язку: Перелгк sacoBieзв'язку
Вид тений кластер
+ Роэмф кластера по вертикал1. float + PoaMip кластера по горизонтали: float + Координати центру кластера (широта): float + Координати центру кпастера [довготв}: float + KinbKictb об'ектш кпастера : int + centerKoordRnding()
♦ dusterSizeFindingQ_
Виявлений об'ект
+ Кпас: siring + Вид: string + Тип : string
+ Координати (широта): float + Координати (довгота): float + Пеленг: float
Вщстань: float + KinbKicib: int
Рисунок 2 - Фреймова модель бази знань, побудована в Umbrello UML Modeller
Фрейм «Виявлений об'ект» е узагальненим формуляром, що заповнюеться на пунктах (постах) мониторингу та мктить вщомост про клас, вид, тип, координати та кшьюсть (у випадку групового об'екта). Зазначений фрейм пов'язаний вщношенням залежносп iз фреймом «Видшений кластер». Слоти фрейму «Видшений кластер» заповнюються в результат виконання процедури кластеризацп територiально сумщених iнформацiйних джерел монiторингу, методика реалiзацп яко'' наведена вище. Для визначення значень сло-тiв використовуються приеднаш процедури centerKoordFinding (знаходження координат центру видшеного кластеру) та clusterSizeFinding (знаходження розмiрiв ви-дiленого кластеру).
В подальшому отримана множина видiлених кластерiв, вiдомостi про яку представленi множиною фреймiв-екземплярiв типу «Видь лений кластер», шддаеться процедурi щен-тифiкацГi об'ек^в монiторингу. В ходi щен-тифжаци фрейми, що вiдповiдають видше-ним кластерам, ствставляються iз еталон-
ними фреймами, як мiстяться у базi знань. Результатом е висновок про вщповщшсть кластеру конкретному пiдроздiлу (або вияв-лення нового об'екту мониторингу) та його поточний стан.
Використовуючи розроблену фреймову модель та наведену вище методику кластериза-цп, можливо сформувати наступну узагаль-нену методику комплексно'' обробки шформацп вщ технiчних засобiв монiторингу.
Первинна обробка шформацп' вiд шформа-цiйних джерел мониторингу, заповнення фреймiв типу «Виявлений об'ект».
Кластеризащя виявлених iнформацiйних джерел мошторингу вiдповiдно до виразiв (1-5), заповнення фреймiв типу «Видiлений кластер».
1дентифжащя видiлених кластерiв, форму-вання висновюв.
Для бшьшо'' наочностi наведену методику комплексно'' обробки шформацп вщ техшч-них засобiв монiторингу можливо представи-ти у виглядi схеми (рис. 3).
Рисунок 3 - Узагальнена схема комплексно!' обробки шформацп вщ техшчних 3aco6iB мошторингу
З метою nepeBip^ наведено! методики було зiмiтовано виявлення 20 iнформацiйних дже-рел монiторингу (аналогiчно як при випро-буваннi методики кластеризацп). Шсля про-цедури кластеризацГ! у множиш шформацш-них джерел монiторингу видыено 3 кластери, визначено !хш просторовi розмiри та коор-динати центрiв. В результатi спiвставлення фреймiв видыених кластерiв та фреймiв-
зразкiв встановлено, що один фрейм вщповь дае новому об'екту монiторингу, а два - бригадам (рис. 4). Таким чином, розроблена методика е працездатною та дозволяе робити висновки за об'еднаною шформащею про по-ложення шформацшних джерел мошторингу вщ рiзнорiдних технiчних засобiв мошторин-гу.
Рисунок 4 - Результат виконання методики комплексно!' обробки шформацп вщ техшчних засобiв
монiторингу
Висновки
Обробка шформацп у системах мониторингу е одним i3 найбiльш важливих та складних за-вдань. Складнiсть обробки шформацп знач-ною мiрою визначаеться значною кiлькiстю та рiзнорiднiстю пiдсистем та техшчних засо-бiв монiторингу. Однак, результатом попере-дньо! обробки шформацп вщ iнформацiйних джерел монiторингу е вщомосп про його клас, вид, тип та координати.
Сформована методика кластеризацГ! терито-рiально сумiщених шформацшних джерел мошторингу дозволяе об'еднати шформащю вщ рiзних технiчних засобiв мошторингу та
використати !! для формування груп шформацшних джерел мошторингу, що належать одному об'екту мониторингу.
Розроблена фреймова модель бази знань для щентифшацГ! об'ек^в монiторингу е основою програмно! реалiзацГl' бази знань i методики комплексно! обробки шформацп та дозволяе автоматизувати цей процес.
Напрямком подальших дослщжень е напов-нення бази знань вщомостями про конкретнi об'екти мониторингу та вдосконалення алгоритму щентифжацГ! видiлених кластерiв ш-формацiйних джерел мониторингу.
Список використаних джерел / References
1. Vasin, V. A., Vlasov, I. B., Egorov, Y. M. et al. (2003). Informatsionnyie tehnologii v radiotehnicheskih
sistemah [Information technology in radio engineering systems]. I. B. Fedorov (Ed.). Moscow: MGTU im. N. E. Baumana (in Russian)
[Васин, В. А., Власов, И. Б., Егоров, Ю. М. и др. (2003). Информационные технологии в радиотехнических системах. И. Б. Федоров (Ред.). Москва: МГТУ им. Н. Э. Баумана].
2. Radzievskiy, V. G., & Sirota, A. A. (2001). Informatsionnoe obespechenie radioelektronnyih sistem v
usloviyah konflikta [Information support of electronic systems in conflict]. Moscow: Radiotehnika (in Russian)
[Радзиевский, В. Г., & Сирота, А. А. (2001). Информационное обеспечение радиоэлектронных систем в условиях конфликта. Москва: Радиотехника].
3. Kirsanov, E. A., & Sirota, A. A. (2012). Obrabotka informatsii vprostranstvenno-raspredelennyih
sistemah radiomonitoringa: statisticheskiy i neyrosetevoy podhody [Information processing in a spatially distributed radio monitoring systems: statistical and neural network approaches]. Moscow: FIZMATLIT (in Russian)
[Кирсанов, Э. А., & Сирота, А. А. (2012). Обработка информации в пространственно-распределенных системах радиомониторинга: статистический и нейросетевой подходы. Москва: ФИЗМАТЛИТ].
4. Central administration metrology and standardization of the Armed Forces of Ukraine. (2015).
Voienna rozvidka. Rozviduvalno-informatsiina diialnist. Terminy ta vyznachennia [Military Intelligence. Intelligence and information activities. Terms and definitions] (ВСТ; 01.101.004-2015(02)). Kyiv: Military unit A1906 (in Ukrainian)
[Центральне управлгння метрологи i стандартизацп Збройних сил Украши. (2015). Военна розвiдка. Розвiдувально-iнформацiйна дiяльнiсть. Термти та визначення (ВСТ; 01.101.004-2015(02)). Ки!в: Вгйськова частина А1906].
5. Radzievskiy, V. G., & Sirota, A. A. (2004). Teoreticheskie osnovyi radioelektronnoy razvedki [Theoretical
foundations of electronic intelligence]. Moscow: Radiotehnika (in Russian) [Радзиевский, В. Г., & Сирота, А. А. (2004). Теоретические основы радиоэлектронной разведки. Москва: Радиотехника].
6. Shurenok, V. A. (2014). Metodyka klasteryzatsii hrupovykh obiektiv radiomonitorynhu za kryteriiem
neprotyrichchia [The group radiomanitoring objects clustering technique by non-contradiction criteria]. Suchasni Informatsiini Tekhnolohii USferi Bezpeky Ta Oborony, 1 (19), 100-106 (in Ukrainian)
[Шуренок, В. А. (2014). Методика кластеризацГ! групових об'ектгв радгомонГторингу за
критерiем непротирiччя. Сучасы тформацты технологи у c0epi безпеки та оборони, 1 (19), 100-106].
7. Dyuran, В., & Odell, P. (1977). Klasternyiy analiz [Cluster analysis]. Moscow: Statistika (in Russian)
[Дюран, Б. & Оделл, П. (1977). Кластерный анализ. Москва: Статистика].
8. Mandel, I. D. (1988). Klasternyiy analiz [Cluster analysis]. Moscow: Finansyi i Statistika (in Russian)
[Мандель, И. Д. (1988). Кластерный анализ. Москва: Финансы и статистика].
9. Machine learning. (n. d.). In Wikipedia. Retrieved February 10, 2017, from https://goo.gl/aWZXxj (in
Russian)
[Машинное обучение. (n. d.). В Wikipedia. Актуально на 10.02.2017, URL: https://goo.gl/aWZXxj].
10. Subbotin, S. O. (2008). Podanniay obrobka znan u systemakh shtuchnoho intelektu ta pidtrymky
pryiniattia rishen [Presentation and working knowledge in artificial intelligence systems and decision support]. Zaporizhzhia: ZNTU (in Ukrainian)
[Субботш, С. О. (2008). Подання й обробка знань у системах штучного нтелекту та тдтримки прийняття ршень. Запорiжжя: ЗНТУ].
11. Osuga, S. (1989). Obrabotka znaniy [Knowledge Processing]. Moscow: Mir (in Russian)
[Осуга, С. (1989). Обработка знаний. Москва: Мир].
12. Ueno, H., Koyama, T., & Okamoto, T. (1989). Predstavlenie i ispolzovanie znaniy [Representation and
use of knowledge]. Moscow: Mir (in Russian)
[Уэно, Х., Кояма, Т., & Окамото Т. (1989). Представление и использование знаний. Москва: Мир].
13. Gavrilova, T. A., & Horoshevskiy, V. F. (2000). Bazyiznaniy intellektualnyih sistem [Knowledge Base
Intelligent Systems]. Saint-Petersburg: Piter (in Russian)
[Гаврилова, Т. А., & Хорошевский, В. Ф. (2000). Базы знаний интеллектуальных систем. Санкт-Петербург: Питер].
14. Dudzianyi, I. M. (2007). Obiektno-oriientovane modeliuvannia prohramnykh system [Object-oriented
modeling of software systems]. Lviv: LNU imeni Ivana Franka (in Ukrainian)
[Дудзяний, I. М. (2007). Об'eктно-орieнтованемоделювання програмних систем. Львiв: ЛНУ
iменi 1вана Франка].
15. Gromov, Y. Y., Didrih, V. E., Ivanova, O. G., & Odnolko, V. G. (2014). Teoriya informatsionnyih
protsessovisistem [The theory of information processes and systems]. Tambov: Izd-vo FGBOU VPO "TGTU" (in Russian)
[Громов, Ю. Ю., Дидрих, В. Е., Иванова, О. Г., Однолько, В. Г. (2014). Теория информационных процессов и систем. Тамбов: Изд-во ФГБОУ ВПО «ТГТУ»].
16. Hensgen, P., & (2001). Pidruchnykz Umbrello UML Modeller [Textbook Umbrello UML Modeller].
Retrieved from https://docs-staging.kde.org/trunk5/uk/kdesdk/umbrello/umbrello.pdf (in Ukrainian)
[Генсген, П. (2001). Ыдручникз Umbrello UML Modeller. URL: https://docs-staging.kde.org/trunk5/uk/kdesdk/umbrello/umbrello.pdf].
