CC BY
41
Секция прикладной информатики
УДК 681.3.06
С.Л. Беляков
ПРЕОБРАЗОВАНИЕ ЗАПРОСОВ К КАРТОГРАФИЧЕСКОЙ БАЗЕ
ДАННЫХ
Визуальный анализ электронных карт, планов и схем предусматривает формирование пользователем рабочей области карты путем отправки запросов серверу картографической базы данных. Каждый запрос явно или неявно задает фрагмент
,
. , -
однородностью информационной базы карты. Любая,явно заданная пользователем область лишь аппроксимирует желаемую область, а точность аппроксимации субъективно зависит от навыков работы пользователя с программным инструментарием геоинформационной системы. Если область карты задается параметризованным , -мой задачи и захватывать значительное число «ненужных» объектов. Учитывая, что информационное пространство геоинформационных систем включает временное и семантическое измерение, избыточность запросов может оказаться .
Возможным путем решения проблемы снижения избыточности может стать процедура преобразования запросов. Суть преобразования в декомпозиции запроса на совокупность запросов к максимально информативным областям. Трудность решения такой задачи в субъективности понятия информативности и избыточности. Рациональным представляется подход, базирующийся на экспертных знаниях о процедуре визуального анализа. Реализация подхода предполагает:
1) построение карты, описывающей зоны типичных и атипичных запросов для решения определенного класса задач;
2) использование процедуры идентификации решаемой пользователем за-
;
3)
области запроса на типичную и атипичную составляющие;
4) отправка последовательности запросов на сервер и слежение за наличи-
« », . . -знания о типичных запросах и потребностью решаемой задачи.
УДК 681.3
Э.М. Котов, АЛ. Целых РАЗРАБОТКА МОДЕЛИ ПОИСКА РЕЛЕВАНТНОЙ ИНФОРМАЦИИ
Основное отличие поисковых систем Интернет друг от друга состоит в подходе к описанию документов. Наиболее популярным на сегодняшний день подходом является реализация так называемой векторной информационно-поисковой модели, в которой каждому документу ставится в соответствие вектор, индексами которого служат все термы, встречающиеся в коллекции, а компонентами - веса этих термов в рассматриваемом документе. При вычислении веса терма обычно
: 1) ; 2) -
Известия ТРТУ
Специальный выпуск
тота использования терма во всей коллекции; 3) длина документа. Пусть 0={^1 -множество информационных ресурсов, которое требуется разбить на подмножества по тематике. Множество тематических каталогов, определяемых своими тематическими профилями, обозначим через К={К}Ь. Каждый тематический профиль определяется своими собственными дескрипторами, ключевыми словами или другими лексическими единицами, которые назовем терминами. Множество терминов, определяющих тематические направления тематического профиля Кь обозначим через ТК Информационный поиск можно представить в виде пятерки ГО={К,Б,Т,РД}, где 1Я - результат информационного поиска, выдаваемым пользователю в виде списка названий, адресов и других реквизитов источников информации, р - запросы пользователей. Я={ Яс, ЯК, Я3, Я°} - множество отношений, которое определяет отношения типа “информационный ресурс - термин” (Яс), “тематический каталог - термин” (ЯК), “термин - синоним” (Я3) и “запрос - термин” (Яр). Все отношения, определяемые здесь, являются нечеткими. Информационный поиск возможно представить в виде ориентированного графа, вершинами которого являются множества, а дугами представляются отношения между ними.
УДК 62-52:658.562.3
. . , . .
ИСПОЛЬЗОВАНИЕ СИНТАКСИЧЕСКИ-НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ В ЗАДАЧАХ КЛАССИФИКАЦИИ
Традиционно задача классификации с обучением заключается в разбиении пространства признаков Х1хХ2х... хХп объектов на к не пер есекающихся подмножеств на основе обучающих алгоритмов, которые используют выборку объектов с уже известной классификацией. При определении степени (меры) близости между сравниваемыми параметрами объектов используемые нормы в обучающих алгоритмах действуют одинаково на всем диапазоне параметров. В этом смысле они « »
классификации. Предлагается подход к нечеткой классификации, позволяющий учитывать субъективный опыт человека путем использования нечетких лингвисти-
,
признаков классифицируемых объектов.
Пусть информация об уже классифицируемых объектах задана в виде системы четких высказываний: Ь (<если А,■ то В>}, 1е{1,2,...,т}, где А/ - высказывание, отражающее характеристики /'-го наблюдаемого объекта; В- высказывание, отражающее классификацию /'-го объекта в виде, -е{1,2,...,к}, к- число возможных классов. На каждом множестве Хъ 1е{1,2,...,п} параметров признаков экспертом заданы лингвистические переменные в По наблюдаемым параметрам х=(х’1, х’2,..., х’п), х’1еХ1, ..., х’пеХп генерируются значения {о}синтаксически-
независимых лингвистических переменных в с соответствующими функциями
. А , -
зификацией четких параметров. По полученному высказыванию формируется система нечетких высказываний Ь = {Ь- : < если А то В - >}, - = 1, к. Определяются степени близости {Т}е[0,1] относительно четкой системы высказываний Ь, которые и отражают «близость» объекта к классу t, т.е. задают нечеткую клас.
