Комплексирование интервальных измерительных данных методом агрегирования предпочтений

Стр.
Введение ………………………………………………………………………………………………………. 5
ГЛАВА 1 Методы комплексирования интервальных данных …………………. 12
1.1 Комплексирование данных ……………………………………………………………… 12
1.2 Модели комплексирования данных ………………………………………………………. 15
1.2.1 JDL модель ……………………………………………………………………………. 15
1.2.2 DFD модель ………………………………………………………………………….. 17
1.3 Проблемы комплексирования данных ……………………………………………… 19
1.4 Комплексирование интервальных данных ……………………………………….. 20
1.4.1 Интервалы …………………………………………………………………………….. 20
1.4.2 Методы комплексирования интервалов …………………………………. 21
1.4.3 Комплексирование интервальных данных с приписанной
доверительной вероятностью ……………………………………………….. 22
1.4.4 Теория Демпстера-Шафера для интервальных данных …………… 25
1.4.5 Одобрительное голосование ………………………………………………….. 29
1.4.6 Интервальные порядковые числа …………………………………………… 32
Выводы к главе 1 ………………………………………………………………………………….. 36
ГЛАВА 2 Комплексирование интервальных данных агрегированием
предпочтений …………………………………………………………………………… 38
2.1 Агрегирование предпочтений ………………………………………………………….. 38
2.1.1 Исходные понятия ………………………………………………………………… 38
2.1.2 Агрегирование предпочтений на основе правила Кемени ………. 40
2.2 Комплексирование интервалов агрегированием предпочтений ………… 43
2.2.1 Диапазон актуальных значений ……………………………………………… 43
2.2.2 Инранжирования: ранжирования, наведенные интервалами …… 45
2.2.3 Метод комплексирования интервалов IF&PA ………………………… 49
2.3 Программное обеспечение для численных экспериментов ……………….. 52
2.3.1 Интерфейс программы ………………………………………………………….. 53
2.3.2 Модуль генерации данных …………………………………………………….. 55
2.3.3 Модуль обработки данных …………………………………………………….. 62
2.3.4 Модуль визуализации и архивации данных ……………………………. 63
2.4 Экспериментальные исследования свойств метода IF&PA ………………. 64
2.4.1 Выбор меры точности, робастности и достоверности
исследуемых методов …………………………………………………………… 64
2.4.2 Результаты экспериментальных исследований ……………………… 67
Выводы к главе 2 ………………………………………………………………………………….. 76
ГЛАВА 3 Разбиение диапазона актуальных значений ……………………………… 78
3.1 Необходимость выбора мощности n разбиения ДАЗ ………………………… 78
3.2 Свойства разбиения диапазона актуальных значений ………………………. 79
3.2.1 Разрешающая способность ……………………………………………………. 79
3.2.2 Вложенность множеств An …………………………………………………….. 81
3.3 Определение мощности разбиения ДАЗ …………………………………………… 86
3.4 Численные экспериментальные исследования разбиения ДАЗ …………. 87
3.4.1 Выбор допускаемого различия w …………………………………………… 88
3.4.2 Проверка практической применимости способа расчета
мощности разбиения ДАЗ …………………………………………………….. 90
Выводы к главе 3 ………………………………………………………………………………….. 93
ГЛАВА 4 Комплексирование данных в беспроводных сенсорных сетях
для экологического мониторинга ……………………………………………… 95
4.1 Беспроводные сенсорные сети …………………………………………………………. 95
4.2 Повышение точности сенсоров БСС для экологического
мониторинга …………………………………………………………………………………. 97
4.2.1 Верификация алгоритма повышения точности на
синтетических входных данных ………………………………………….. 100
4.2.2 Результаты обработки данных реальной БСС ………………………. 104
4.3 Энергосбережение в БСС ………………………………………………………………. 107
4.3.1 Алгоритм выбора активных узлов в кластере……………………….. 108
4.3.2 Выбор количества активных узлов в кластере ……………………… 114
4.3.3 Численные экспериментальные исследования алгоритма
выбора активных узлов ………………………………………………………. 117
Выводы к главе 4 ………………………………………………………………………………… 121
Заключение ………………………………………………………………………………………………. 123
Список сокращений и обозначений …………………………………………………………. 125
Список используемой литературы ………………………………………………………….. 128
Приложение А. Акты внедрения диссертационной работы …………………………. 140

1. Предложен и исследован метод комплексирования интервалов IF&PA, где
результатом комплексирования является наилучшее дискретное значение в
ранжировании консенсуса, найденном для набора наведенных интервалами
ранжирований дискретных значений; метод характеризуется повышенными
точностью, робастностью (независимостью от закона распределения входных
данных) и достоверностью получаемого результата.
2. Для формирования ранжируемых дискретных значений предложен и
экспериментально обоснован способ расчета мощности разбиения диапазона
актуальных значений, полученного в результате объединения исходных
интервалов, на основе поправки Шеппарда для дисперсии
дискретизированных данных; способ позволяет определить значение n, при
котором с вероятностью 0,95 обеспечивается получение результата
комплексирования, наиболее близкого к номинальному значению для всех n
от 4 до 15.
3. Разработан и исследован робастный алгоритм повышения точности
результата измерения мультисенсоров в беспроводной сети на основе метода
IF&PA, позволяющий снизить неопределенность результата измерения не
менее чем в 2-2,3 раза по сравнению с неопределенностью показаний
мультисенсоров беспроводной сенсорной сети при возможном непустом
подмножестве неисправных сенсоров.
4. Разработан и исследован алгоритм выбора подмножества активных узлов в
кластере беспроводной сенсорной сети на основе метода IF&PA,
обеспечивающий снижение энергопотребления (продление времени жизни)
узлов в кластере в 2-3 раза.
5. Результаты диссертационной работы используются в лаборатории
мониторинга окружающей среды ТГУ и на кафедре систем управления и
мехатроники Института кибернетики ТПУ.
6. Результаты диссертационной работы использованы при выполнении двух
НИР: гранта РНФ и базовой части государственного задания “Наука”
Министерства образования и науки РФ.
Список сокращений и обозначений

1. АБ – абсолютное большинство
2. БСС – беспроводная сенсорная сеть
3. ГК – глава кластера
4. ДАЗ – диапазон актуальных значений
5. ОБ – относительное большинство
6. ПАУ – подмножество активных узлов
7. ЦУ – центральный узел
8. DFD – Dasarathy’s functional model
9. JDL – Joint Directors of Laboratories
10. OEIS – On-Line Encyclopedia of Integer Sequences (Онлайн-энциклопедия
целочисленных последовательностей)
11. IF&PA (interval fusion with preference aggregation) – метод
комплексирования интервальных данных агрегированием предпочтений
12. RECURSALL – реализующий метод ветвей и границ рекурсивный алгоритм
нахождения медианы Кемени
13. SensAcc – алгоритм повышения точности результата измерений сенсоров
14. ActiveNode – алгоритм выбора подмножества активных узлов в
кластере
15. RandSel – алгоритм случайного выбора подмножества активных
узлов в кластере
16. I – интервал
17. l – нижняя граница интервала
18. u – верхняя граница интервала
19. x – средняя точка интервала
20.  – неопределенность измеренного значения
21. {Ik} – набор исходных интервалов
22. Ir – результирующий интервал
23. x* – результат комплексирования
24. *– неопределенность результата комплексирования
25. I  – интервал пересечения
26. q( I ) – уровень согласованности интервала пересечения
27. A = {a1, a2, …, an} – множество альтернатив; множество дискретных
значений ДАЗ
28. n – мощность разбиения ДАЗ
29. λ – ранжирование (отношение предпочтения)
30.  = {1, 2, …, m} – профиль предпочтения
31. m – число исходных интервалов
32. β – ранжирование консенсуса
33. βfin – единственное итоговое ранжирование консенсуса
34. h – норма разбиения ДАЗ
35. Tn – мощность множеств инранжирований
36. Fn – мощность запрещенных ранжирований
37. mcon – мощность множества согласованных интервалов
38. d – среднеквадратическое отклонение дискретных (после разбиения ДАЗ)
значений
39. w – допускаемое различие между СКО непрерывных (до разбиения) и
дискретных (после разбиения ДАЗ) значений
40. xnom – номинальное значение
41. Δx – максимальная неопределенность
42. Rx – коэффициент разброса генерируемых средних точек x
43. R – коэффициент разброса генерируемых неопределенностей 
44.  – отклонение результата комплексирования от номинального значения
45. P(  гр) – оценки вероятностей того, что отклонение  не превышает
некоторое фиксированное значение гр
46. S = {s1, s2, …, sm} – множество узлов в кластере БСС
47. p – число измеряемых мультисенсором величин
48. dk – измерительные интервальные данные от сенсора k-го узла
49. Dk – набор измерительных интервальных данных от k-го узла

50. D j – набор измерительных интервальных данных от m узлов j-го кластера
51. k – усредненная по узлам кластера неопределенность измеренных
значений
52. k – усредненное по узлам кластера отклонение измеренных значений от
номинального
53. Ein – исходное количество энергии узла
54. Eres – количество оставшейся энергии узла
55. rs – расстояние от узла кластера до ЦУ
56. rch – расстояние от узла кластера до ГК
57.  kh – отклонение измеренного значения величины h от результата
комплексирования
58. Sa = {s1, s2, …, sg} – подмножество активных узлов в кластере
59. g – число активных узлов в кластере

1. ГОСТ Р 54500.3.1-2011/Руководство ИСО/МЭК 98-3:2008/Дополнение
1:2008 Неопределенность измерения. Часть 3. Руководство по выражению
неопределенности измерения. Дополнение 1. Трансформирование распределений
с использованием метода Монте-Карло. – М.: Стандартинформ, 2012. – 82 с.
2. ГОСТР54500.3-2011/РуководствоИСО/МЭК98-3:2008
“Неопределенностьизмерения.Часть3.Руководствоповыражению
неопределенностиизмерения”,идентичныймеждународномудокументу
Руководство ИСО/МЭК 98-3:2008 “Неопределенность измерения. Часть 3.
Руководство по выражению неопределенности измерения”– М.: Стандартинформ,
2012. – 101 с.
3. Гэри, М. Вычислительные машины и труднорешаемые задачи / М. Гэри,
Д. Джонсон // М.: Мир, 1982. – 419 с.
4. Кемени, Дж. Кибернетическое моделирование. / Дж., Кемени, Дж. Снелл
– М.: Сов. радио, 1972. – 192 с.
5. Литвак, Б.Г. Экспертная информация: Методы получения и анализа. / Б.Г.
Литвак – М.: Радио и связь, 1982. – 184 c.
6. Муравьев, С.В. Агрегирование предпочтений как метод решения задач в
метрологии и измерительной технике / С.В. Муравьев // Измерительная техника. –
2014. – № 2. – С. 19-23.
7. Муравьев, С.В. Обработка данных межлабораторных сличений методом
агрегированияпредпочтений/С.В.Муравьев,И.А.Маринушкина//
Измерительная техника. – 2015. – № 12. – С. 3-7.
8. Муравьев, С.В. Цифровой цветометрический анализатор состава веществ
на основе полимерных оптодов / Н.А. Гавриленко, А.С. Спиридонова, П.Ф.
Баранов, Л.И. Худоногова // Приборы и техника эксперимента. – 2016. – № 4. – С.
115-123.
9. Свидетельство о государственной регистрации программы для ЭВМ №
2016663686 (RU); заявка № 2016661662 от 31.10.2016, дата рег. 13.12.2016; Бюл.
№ 1 от 10.01.2017 // Муравьев С.В., Худоногова Л.И. Повышение точности
сенсоров беспроводной сети методом агрегирования предпочтений.
10.Свидетельство о государственной регистрации программы для ЭВМ
№ 2016663692 (RU); заявка № 2016661664 от 31.10.2016, дата рег. 13.12.2016;
Бюл. № 1 от 10.01.2017 // Муравьев С.В., Худоногова Л.И. Выбор активного
подмножества узлов в кластере беспроводной сенсорной сети для снижения
энергопотребления.
11.Соболь, И.М. Численные методы Монте-Карло. / И.М. Соболь – М.:
Наука, 1973. – 412 с.
12.Среда разработки приложений LabVIEW – National Instruments.
http://russia.ni.com/labview (дата обращения: 15.01.17).
13.Тараканов,Е.В.Агрегированиеданныхмультисенсоровв
беспроводных сенсорных сетях: диссертация на соискание ученой степени
кандидата технических наук: спец. 05.11.13 / Е.В. Тараканов // ТПУ; науч. рук. С.
В. Муравьев. – Томск, 2012.
14.Федеральный закон от 10.01.2002 N 7-ФЗ (ред. от 01.03.2017) «Об
охране окружающей среды» (принят ГД ФС РФ 20.12.2001).
15.Худоногова,Л.И.Обеспечениеотказоустойчивостиалгоритмов
передачи данных в беспроводных сенсорных сетях / Л.И. Худоногова, С.В.
Муравьев // Ползуновский вестник. – 2015. – № 4. – С.44-46.
16.Abdelgawad, A. Resource-Aware Data Fusion Algorithms for Wireless
Sensor Networks / A. Abdelgawad, M. Bayoumi // Lecture Notes in Electrical
Engineering. – 2012. – Vol. 118. – P. 17-34.
17.Aguero, J.R. Inference of operative configuration of distribution networks
using fuzzy logic techniques. Part II: extended real-time model / J.R. Aguero, A. Vargas
// IEEE Transactions on Power Systems. – 2005. – Vol. 20. – № 3. – P. 1562-1569.
18.Alós-Ferrer, C. A simple characterization of approval voting / C. Alós-
Ferrer // Social Choice and Welfare. – 2006. – Vol. 27. – Iss. 3. – P. 621-625.
19.Ayari, I. A framework for multi-sensor data fusion / I. Ayari, J. P. Haton //
Proc. IEEE Symp. on Emerging Technologies and Factory Automation (Paris, France,
October 1995). – P. 710-713.
20.Barthélemy, J.P. Median linear orders: heuristics and a branch and bound
algorithm / J.P. Barthélemy, A. Guenoche, O. Hudry // European Journal of Operational
Research. – 1989 – Vol. 42. – № 2. – P. 313-325.
21.Berg, D.E. Voting in agreeable societies / D. E. Berg, S. Norine, F. E. Su,
R. Thomas, P. Wollan // Amer. Math. Monthly, 2006. – Vol. 117. – P. 27-39.
22.Bhatnagar, G. A new contrast based multimodal medical image fusion
framework / G. Bhatnagar, Q.M. J. Wu, Zh. Liu // IEEE Transactions on Multimedia. –
2013. – Vol.15. – Iss. 5. – P. 1014-1024.
23.Betzler, N. Fixed-parameter algorithms for Kemeny rankings / N. Betzler,
M.R. Fellows, J. Guo, R. Niedermeier, F.A. Rosamond // Theoretical Computer
Science. – 2009. – Vol. 410. – Iss. 45. – P. 4554-4570.
24.Bleiholder, J. Data fusion / J. Bleiholder, F. Naumann // ACM Computing
Surveys. – 2008. – Vol.41. – № 1. – P. 1-41.
25.Box, G.E.P. A note on the generation of random normal deviates / G.E.P.
Box, M.E. Muller // The Annals of Mathematical Statistics. – 1958. – Vol. 29. – № 2. –
P. 610-611.
26.Bruzzone, L. Data fusion experience: from industrial visual inspection to
space remote-sensing application / L. Bruzzone, D. Fernandez, G. Vernazza // Proc.
Academic and Industrial Cooperation in Space research (Vienna, Austria, November
1998). – P.147-151.
27.Cam, H. Energy-Efficient Secure Pattern Based Data Aggregation for
Wireless Sensor Networks / H. C¸am, S. Ozdemir, P. Nair, D. Muthuavinashiappan, and
H. Ozgur Sanli // Computer Communications. – 2006. – Vol. 29. – №. 4. – P. 446-455.
28.Carlson, R.J. Voter compatibility in interval societies / R.J. Carlson // HMC
Senior Theses, Harvey Mudd College, 2013.
29.Collett, M.A. Aggregating measurement data influenced by common
effects / M.A. Collett, M.G. Cox, T.J. Esward, P.M. Harris, J.A. Sousa // Metrologia. –
2007. – Vol. 44. – № 5. – P. 308-318.
30.Conitzer, V. Improved Bounds for Computing Kemeny Rankings / V.
Conitzer, A. Davenport, J. Kalagnanam // Proc. 21st National Conf. on Artificial
intelligence (Boston, USA, July 2006). – P. 620-626.
31.Cox, M.G. The evaluation of key comparison data: determining the largest
consistent subset / M.G. Cox // Metrologia. – 2007. – Vol.44. – P. 187-200.
32.Cremer, F. S. Sensor fusion for anti-personnel land mines detection /
F.Cremer, E. den Breejes, S. Klamer // Proc. 3rd Eurofusion Conf. (October 1998). – P.
63-70.
33.Dasarathy,B.V.Sensorfusionpotentialexploitation-innovative
architectures and illustrative applications / B.V. Dasarathy // Proceedings of the IEEE.
– 1997. – Vol. 85. – Iss.1. – P. 24-38.
34.Dasgupta, P. On the robustness of majority rule / P. Dasgupta, E. Maskin //
Journal of the European Economic Association. – 2008. – Vol. 6. – № 5. – P. 949-973.
35.DatasheetSHT1xHumidityandTemperatureSensorIC.
http://www.mouser.com/ds/2/682/Sensirion_Humidity_SHT1x_Datasheet_V5-
469722.pdf (дата обращения: 28.03.2017).
36.Davenport, A. Ranking Pilots in Aerobatic Flight Competitions / A.
Davenport, D. Lovell // IBM Research Report RC23631 (W0506-079), T.J. Watson
Research Center, NY, 2005.
37.Díaz-Ramírez, A. Wireless Sensor Networks and Fusion Information
Methods for Forest Fire Detection / A. Díaz-Ramírez. L.A. Tafoya. J.A. Atempa. P.
Mejía-Alvarez // Procedia Technology. – 2012. – Vol. 3. – P. 69-79.
38.Dietrich, I. On the Lifetime of Wireless Sensor Networks / I. Dietrich, F.
Dressler // ACM Transactions on Sensor Networks. – 2009. – Vol. 5. – Iss. 1. – P. 1-38.
39.Dopazo, E. Rank aggregation methods dealing with ordinal uncertain
preferences / E. Dopazo, M.L. Martinez-Cespedes // Expert Systems with Applications.
– 2017. – Vol. 78. – Iss. C. – P. 103-109.
40.Durrant-Whyte, H. Multisensor data fusion / H. Durrant-Whyte, T.C.
Henderson // Springer Handbook of Robotics. – 2008. – Part C. – P. 585-610.
41.Duta, M. The Fusion of Redundant SEVA Measurements / M. Duta, M.
Henry // IEEE Transactions on Control Systems Technology. – 2005. –Vol. 13. – Iss.2.
– P. 173-184.
42.Edwards, I. Fusion of NDT data / I. Edwards, X.E. Gross, D.W. Lowden,
P. Strachan // British Journal of NDT. – 1993. – Vol. 35. – № 12. – P. 710-713.
43.Fagin, R. Comparing and Aggregating Rankings with Ties / R. Fagin, R.
Kumar, M. Mahdian, D. Sivakumar, E. Vee // Proc. 23rd ACM SIGMOD-SIGACT-
SIGART symposium on Principles of database systems (New York, USA, 2004). – P.
47-58.
44.Fan, Zh.P. An Approach to Solve Group-Decision-Making Problems With
Ordinal Interval Numbers / Zh.P. Fan,Y. Liu // IEEE Transactions on Systems, Man,
and Cybernetics, Part B (Cybernetics). – 2010. – Vol. 40. – Iss. 5. – P. 1413-1423.
45.Hall, D.L. An Introduction to Multisensor Data Fusion / D.L. Hall, J. Llinas
// Proceedings of the IEEE. – 1997. – Vol. 85. – Iss.1. – P. 6-23.
46.Halpern, J. Reasoning about Uncertainty / J. Halpern // MIT Press,
Cambridge: 2003. – 473 p.
47.Hoover, A. A real-time occupancy map from multiple video streams / A.
Hoover, B.D. Olsen // Proc. IEEE Intern. Conf. on Robotics and Automation (Detroit,
USA, May 1999). – P. 2261-2266.
48.IEEE–StandardsAssociation.IEEE802.11:WirelessLANs
http://standards.ieee.org/about/get/802/802.11.html (дата обращения: 03.02.2017).
49.Intel Lab Data. http://db.lcs.mit.edu/labdata/labdata.html (дата обращения:
28.03.2017).
50.Kalman, R.E. A new approach to linear filtering and prediction problems /
R.E. Kalman // Journal of Basic Engineering. – 1960. – Vol. 3. – P. 35-45.
51.Kearfott, R.B. Applications of Interval Computations / R.B. Kearfott, V.
Kreinovich // Springer Science & Business Media: 2013. – 428 p.
52.Keener, J.P. The Perron-Frobenius theorem and the ranking of football
teams / J.P. Keener // SIAM review. – 1993. – Vol. 35. – Iss. 1. – P. 80-93.
53.Kelly, G. Data fusion: From metrology to process measurement / G. Kelly
// Proc. 16th IEEE Instrumentation and Measurement Technology Conf. (Venice, Italy,
May 1999). – Vol. 3. – P. 1325-1329.
54.Kemeny, J. Mathematics without numbers / J. Kemeny // Daedalus. – 1959.
– Vol. 88. – P. 571-591.
55.Khaleghi, B. Multisensor data fusion: A review of the state-of-the-art / B.
Khaleghi , A. Khamis, F.O. Karray // Information Fusion. – 2013. –Vol. 14. – Iss.1. – P.
28-44.
56.Khudonogova, L.I. Energy-accuracy aware active node selection in
wireless sensor networks / L.I. Khudonogova, S.V. Muravyov // Сборник материалов
XII Международной IEEE Сибирской конференции по управлению и связи
SIBCON-2016 (Москва, 12-14 мая 2016 г.). – C. 7491835.
57.Kumar, M. Maximum likelihood wavelet fusion for aerospace NDE
applications / M. Kumar, P. Ramuhalli // Proc. IEEE Intern. Conf. on Electro
Information Technology (Lincoln, USA, May 2005). – P. 9037026.
58.Lakhtaria, K.I. Technological advancements and applications in mobile ad-
hoc networks : research trends / K.I. Lakhtaria // IGI Global, Hershay: 2012. – 507 p.
59.Land, A.H. An automatic method of solving discrete programming
problems / A.H. Land, A.G. Doig // Econometrica. – 1960. – Vol. 28. – № 3. – P. 497-
520.
60.Li, B. Fault-tolerant interval estimation fusion by Dempster-Shafer Theory
/ B. Li, Y. Zhu, Li X. R. // Proc. 5th Intern. Conf. on Information Fusion (Annapolis,
USA, July 2002). – P. 7412261.
61.Liang, H. The fusion process of interval opinions based on the dynamic
bounded confidence /H. Liang, C.C. Li, Y. Dong,Y. Jiang // Information Fusion. –
2016. – Vol. 29. – Iss. C. – P. 112-119.
62.Linn, R.J. A survey of data fusion systems / R. J. Linn, D.L. Hall // Proc.
SPIE Conf. on Data Structure and Target Classification (Orlando, USA, August 1991).
– P. 13-36.
63.Liu, H.J. Data fusion based on interval Dempster-Shafer Theory for emitter
platform identification / H.J. Liu, B. Wang, Zh. Liu, Y.Y. Zhou // Proc. Intern. Conf. on
Information Engineering and Computer Science (Wuhan, China, December 2009). – P.
11032825.
64.Mana, G. Model selection in the average of inconsistent data: an analysis of
the measured Planck-constant values / G. Mana, E. Massa, M. Predescu // Metrologia. –
2012. – Vol.49. – P. 492-500.
65.Marzullo, K. Tolerating Failures of Continuous-Valued Sensors / K.
Marzullo // ACM Transaction on Computer System. – 1990. – Vol. 8. –№ 4. – P. 284-
304.
66.Matin, M.A. Overview of Wireless Sensor Network / M.A. Matin, M.M.
Islam // InTechOpen: 2012.
67.Messner, M. Robust Political Equilibria under Plurality and Runoff Rule /
M. Messner, M.K. Polborn // SSRN Electronic Journal. – 2002. – P. 1-35.
68.Mica2Dot.Wirelessmicrosensormote.
https://www.eol.ucar.edu/isf/facilities/isa/internal/CrossBow/DataSheets/mica2dot.pdf
(дата обращения: 28.03.2017).
69.Moore, R.E. Introduction to Interval Analysis / R.E. Moore, R.B. Kearfott,
M.J. Cloud // SIAM: 2009. – 234 p.
70.Mukhopadhyay,S.C.WirelessSensorNetworksandEcological
Monitoring / S.C. Mukhopadhyay, J.-A. Jiang // Smart Sensors, Measurement and
Instrumentation. – 2013. – Vol. 3. – P. 1-297.
71.Murav’ev, S.V. Aggregation of preferences as a method of solving
problems in metrology and measurement technique / S.V. Murav’ev // Measurement
Techniques. – 2014. – Vol. 57. – № 2. – P. 132-138.
72.Muravyov, S.V. Axiomatic definition of quantity as a basis for teaching
metrology in Mechanical Engineering / S.V. Muravyov, B. Ramamoorthy // Journal of
Physics: Conference Series. – 2016. – Vol. 772. – № 1. – P. 012050.
73.Muravyov, S.V. Consensus rankings in prioritized converge-cast scheme
for wireless sensor network / S.V. Muravyov, Sh. Tao, M. Ch. Chan, E.V. Tarakanov //
Ad Hoc Networks. – 2015. – Vol. 24. – Part A. – P. 160-171.
74.Muravyov, S.V. Dealing with chaotic results of Kemeny ranking
determination / S.V.Muravyov // Measurement. – 2014. – Vol. 51. – P. 328-334.
75.Muravyov, S.V. Feasibility estimation of creating fault-tolerant prioritized
transmission scheme in WSN / S.V. Muravyov, L.I. Khudonogova // Сборник
материалов XI Международной IEEE Сибирской конференции по управлению и
связи SIBCON-2015 (Омск, 21-23 мая 2015 г.). – C. 7147265.
76.Muravyov, S.V. Multiple solutions of an exact algorithm for determination
of all Kemeny rankings: preliminary experimental results / S.V.Muravyov,
E.V.Тarakanov // Proc. Intern. Conf. on Instrumentation, Measurement, Circuits and
Systems (Hong Kong, 13-14 December 2011) ASME Press New York. – Vol. 1. – P.
17-20.
77.Muravyov, S.V. Multisensor accuracy enhancement on the base of interval
voting in form of preference aggregation in WSN for ecological monitoring / S.V.
Muravyov, L.I. Khudonogova // Proc. Intern. Congress on Ultra Modern
Telecommunications and Control Systems and Workshops (Brno, Czech Republic,
November 2015). – P. 293-297.
78.Muravyov, S.V. Ordinal measurement, preference aggregation and
interlaboratory comparisons / S.V. Muravyov // Measurement. – 2013. – Vol. 46. – P.
2927–2935.
79.Muravyov, S.V. Processing of interlaboratory comparison data by
preference aggregation method / S.V. Muravyov, I.A. Marinushkina // Measurement
Technique. – 2016. – Vol. 58. – № 12. – P.1285-1291.
80.Muravyov, S.V. Rankings as ordinal scale measurement results / S.V.
Muravyov // Metrology and Measurement Systems. – 2007. – Vol. 13. – № 1. – P. 9-24.
81.Muravyov, S.V. Representation theory treatment of measurement
semantics for ratio, ordinal and nominal scales / S.V. Muravyov, V. Savolainen //
Measurement. – 1997. – Vol. 22. – P. 37-46.
82.Muravyov, S.V. Representation of interval data by weak orders yields
robustness of the data fusion outcomes / S.V. Muravyov, L.I. Khudonogova, I.A.
Marinushkina // Journal of Physics: Conference Series. – 2016. – V. 772. – № 1. – P.
012064.
83.Neves, P. Application of Wireless Sensor Networks to Healthcare
Promotion / P. Neves, M. Stachyra, J. Rodrigues // Journal of Communications
Software and Systems. – 2008. – Vol. 4. – № 3. – P. 181-190.
84.Neyman, J. Outline of a theory of statistical estimation based on the
classical theory of probability / J. Neyman // Philosophical Transactions of the Royal
Society of London. Series A, Mathematical and Physical Sciences. – 1937. – Vol. 236.
– № 767. – P. 333-380.
85.Oliveira, L.M.L. Wireless Sensor Networks: a Survey on Environmental
Monitoring / L.M.L. Oliveira, J.J.P.C. Rodrigues // Journal of communications. – 2011.
– Vol. 6. – № 2. – P. 143-151.
86.Parhami, B. Distributed Interval Voting with Node Failures of Various
Types / B. Parhami // Proc. 12th IEEE Workshop on Dependable Parallel, Distributed
and Network-Centric Systems (California, USA, 2007). – P. 1-7.
87.Parhami, B. Voting algorithms / B. Parhami // IEEE Transactions on
Reliability. – 1994. – Vol. 43. – Iss. 4. – P. 617-629.
88.Parhami, B. Voting: a paradigm for adjudication and data fusion in
dependable systems / B. Parhami // Dependable Computing Systems: Paradigms,
Performance Issues, & Applications. –2005. – Vol. 52. – №. 2 – P. 87-114.
89.Pendrill, L.R. Using measurement uncertainty in decision-making and
conformity assessment / L.R. Pendrill // Metrologia. – 2014. – Vol.51. – P. 206-218.
90.Ramya, K. A Survey on Target Tracking Techniques in Wireless Sensor
Networks / K. Ramya, K. P. Kumar, V. S. Rao // International Journal of Computer
Science & Engineering Survey. – 2012. – Vol.3. – № 4. – P. 93-108.
91.Raol, J. R. Data fusion mathematics: theory and practice / J. R. Raol. –
CRC Press: 2015. – 600 p.
92.Rappaport, T. Wireless Communications: Principles and Practice / T.
Rappaport // Prentice-Hall PTR: 2001. – 736 p.
93.Schneeweiss, H. Symmetric and asymmetric rounding: a review and some
new results / H. Schneeweiss, J. Komlos, A.S. Ahmad // AStA Advances in Statistical
Analysis. – 2010. – Vol. 94. – Iss. 3. – P 247-271.
94.Schulze, M. A New Monotonic and Clone-Independent Single-Winner
Election Method / M. Schulze // Voting Matters. – 2003. – Iss. 17. – P. 9-19.
95.Sentinella, D.J. Real time data fusion / D.J. Sentinella, A.G. Raines // Proc.
IEE Colloquium on Strategic Control of Inter-Urban Road Networks (London, UK,
March 1997). – P. 5.
96.Shafer, G. A Mathematical theory of evidence / G. Shafer // Princeton
University Press: 1976. – p. 314.
97.Shiryaev, D. On Elections with Robust Winners / D. Shiryaev, L. Yu, E.
Elkind // Proc. Intern. conf. on Autonomous agents and multi-agent systems (St. Paul,
USA, May 2013). – P. 415-422.
98.Sloane, N.J.A. The Encyclopedia of Integer Sequences / N.J.A. Sloane, S.
Plouffe // Academic Press, San Diego: 1995.
99.Sommer, K.D. A Bayesian approach to information fusion for evaluating
the measurement uncertainty / K.D. Sommer, O. K., F. P.e Leòn, B. R. L. Siebert //
Proc. IEEE Intern.l Conf. on Multisensor Fusion and Integration for Intelligent Systems
(Heidelberg, Germany, September 2006) . – P. 507–511.
100. Soodamani, R. A Fuzzy Interval Valued Fusion Technique for Multi-
Modal 3D Face Recognition / R. Soodamani, U. M. Mariappan // Proc. IEEE Intern.
Carnahan Conf. on Security Technology (Orlando, USA, October 2016). – P. 1-8.
101. Takruri, M. Data Fusion Techniques for Auto Calibration in Wireless
Sensor Networks / M. Takruri, S. Challa, R. Yunis // Proc. 12th Intern. Conf. on
Information Fusion Seattle (Seattle, USA, July 2009). – P. 132-139.
102. Tan, R. Adaptive Calibration for Fusion-based Wireless Sensor Networks /
R. Tan, G. Xing, X. Liu, J. Yao, Zh. Yuan // Proc. IEEE INFOCOM (San Diego, USA,
March 2010). – P. 11291695.
103. The On-Line Encyclopedia of Integer Sequences. The OEIS Foundation.
https://oeis.org/A000217 (дата обращения: 25.03.17).
104. The On-Line Encyclopedia of Integer Sequences. The OEIS Foundation.
https://oeis.org/A002662 (дата обращения: 25.03.17).
105. Thomas, R.R. Lectures in Geometric Combinatorics / R.R. Thomas //
American Mathematical Society, 2006.
106. Van Deemen, A.M.A. The probability of the paradox of voting for weak
preference orderings / A.M.A. Van Deemen // Social Choice and Welfare. – 1999. –
Vol. 16. – P. 171-182.
107. Voorbraak, F. On the justification of Dempster’s rule of combination / F.
Voorbraak // Artificial Intelligence. – 1991. – Vol. 48. – P. 171-197.
108. Walley, P. Statistical Reasoning with Imprecise Probabilities / P. Walley //
Chapman and Hall CRC: 1991. – 719 p.
109. Wang, P. A Defect in Dempster–Shafer Theory / P. Wang // Proc. 10th
Conf. on Uncertainty in Artificial Intelligence (San Mateo, USA, 1994). – P 560-566.
110. Wang, Y.M. A preference aggregation method through the estimation of
utility intervals / Y.M. Wang, J.B. Yang, D.L. Xu // Computers and Operations
Research. – 2005. – Vol. 32. – № 8. – P. 2027-2049.
111. Weisstein, E.W. Triangular Number. MathWorld – A Wolfram Web
Resource. http://mathworld.wolfram.com/TriangularNumber.html (дата обращения:
25.03.17).
112. White, F.E. Data Fusion Subpanel of the Joint Directors of Laboratories
Technical Panel for C3 / F.E. White // Data Fusion Lexicon, NOSC, San Diego, USA ,
1991.
113. Wilrich, P.-Th. Rounding of measurement values or derived values / P.-Th.
Wilrich // Measurement. – 2005. – Vol. 37. – P. 21-30.
114. Wimmer, G. Proper rounding of the measurement results under normality
assumptions / G. Wimmer, V. Witkovsk´y, T. Duby // Measurement Science and
Technology. – 2000. – Vol. 11. – P. 1659-1665.
115. Wimmer, G.Proper rounding of the measurement results under the
assumption of uniform distribution / G. Wimmer, V. Witkovsk´y // Measurement
science review. – 2002. – Vol. 2. – Sec. 1. – P. 1-7.
116. Xu, N. A Wireless Sensor Network for Structural Monitoring / N. Xu, S.
Rangwala, K.K. Chintalapudi, D. Ganesan, A. Broad, R. Govindan, D. Estrin // Proc.
2nd Intern. Conf. on Embedded networked sensor systems (Baltimore, USA, November
2004). – P. 13-24.
117. Ye, W. An energy-efficient MAC protocol for wireless sensor networks /
W. Ye, J. Heidemann, D. Estrin // Proc. IEEE INFOCOM (June 2002 New York, USA).
– P. 7492167.
118. Young, H.P. Optimal voting rules / H.P. Young // Journal of Economic
Perspectives. – 1995. – Vol. 9. – № 1. – P. 51-64.
119. Zhao, G. Wireless Sensor Networks for Industrial Process Monitoring and
Control: A Survey / G. Zhao // Network Protocols and Algorithms. – 2011. – Vol. 3. –
№ 1. – P. 46-63.
120. Zhu, Y. Optimal interval estimation fusion based on sensor interval
estimates with confidence degrees / Y. Zhu, B. Li // Automatica (Journal of IFAC). –
2006. – Vol. 42. – Iss. 1. – P. 101-108.
121. ZigBee Alliance. http://www.zigbee.org/ (дата обращения: 03.02.2017).