случаях, когда длина запроса составляет около 50% от длин сохра-
ненныхпоследовательностей.
Заключение.
В данной работе предложен критерий оценки близо-
сти пространственно-временныхпоследовательностей, отталкиваясь
от которого, становится возможным эффективная конструкция много-
мерной индексной структуры на основе
R
-деревьев для построения ха-
отического процессора. Показан способ использования хаотического
процессора для построения ассоциативной памяти. Принципиальной
особенностью такой памяти является возможность адресации храни-
мыхэлементов по содержанию, которое может быть искажено или
заключать в себе неполную информацию об элементе.
Применимость и эффективность предложенного подхода демон-
стрируется на примерахданныхавстралийского языка глухонемых,
часто используемыхкак тестовый пример в современныхработахпо
индексации многомерныхданных. Полученные результаты показыва-
ют увеличение эффективности алгоритмов поиска по сравнению со
стандартными алгоритмами в несколько раз.
Дальнейшие пути развития данного подхода включают в себя ис-
пользование системы памяти на основе хаотических процессоров для
реализации практическихзадач, такихкак навигация мобильныхробо-
тов. Также представляет интерес поиск алгоритмов и структур данных,
альтернативных
R
-деревьям, использование которыхможет улучшить
временные оценки работы хаотического процессора.
СПИСОК ЛИТЕРАТУРЫ
1. Б а з а данныхслов австралийского языка глухонемых.
2. V l a c h o s M.,
K o l l i o s G., G u n o p u l o s D. Discovering similar
multidimensional trajectories. In Proc. of ICDE, 2002.
3. C h e n L., N g R. T. On The Marriage of Lp-norms and Edit Distance, Proc. Intl.
Conf. on Very Large Data Bases (VLDB). – P. 792–803, 2004.
4. C h e n L., ¨O z s u M., O r i a V. Robust and fast similarity search for moving
object trajectories, Proc. of ACM SIGMOD international conference on Management
of data. – P. 491–502, 2005.
5. V l a c h o s M.,
H a d j i e l e f t h e r i o u M.,
G u n o p u l o s D.,
K e o g h E. Indexing Multi-Dimensional Time-Series with Support for Multiple
Distance Measures. In Proc. of 9th SIGKDD, Washington, DC. – P. 216–225, 2003.
6. B e r n d t D, C l i f f o r d J. Using Dynamic Time Warping to Find Patterns in
Time Series. In Proc. of KDD Workshop, 1994.
7. E a m o n n J. K e o g h , S h r u t i K a s e t t y. On the Need for Time Series
Data Mining Benchmarks: A Survey and Empirical Demonstration. In International
Conference on Knowledge Discovery and Data Mining. – P. 102–111, Edmonton,
Canada, July 2002.
8. А н д р е е в Ю. В., Д м и т р и е в А. С., К у м и н о в Д. А. Хаотические
процессоры // Успехи современной радиоэлектроники. – 1997. – № 10.
118 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2007. № 2
