Badanie wpływu niezawodności wewnętrznej sieci geodezyjnej na efektywność wybranych podejść do wykrywania błędów grubych

• Autorzy: Kwaśniak M.

Warianty tytułu

EN

Research on the influence of internal reliability of geodetic network on the effectiveness of selected approaches to gross errors detection

• Języki publikacji: PL

Abstrakty

PL

Już w 1777 roku Bemoulli pisał o konieczności analizy wyników pomiarów i odrzucania obserwacji odstających. Pierwsze próby opracowania statystycznych metod diagnozowania błędów grubych odnotowano około 1850 roku. W 1964 roku Huber zaprezentował nowe, odporne na biedy grube, podejście do opracowania obserwacji, które w ostatnich latach zyskuje coraz większą popularność. Do chwili obecnej w światowej literaturze statystycznej, również i w geodezyjnej, pojawiło się bardzo dużo różnych metod wykrywania błędów grubych. Metody te różnią się założeniami oraz strategią postępowania. Jednakże, jak wynika z różnych badań, żadna z nich nie cechuje się 100% skutecznością. W ostatnich latach w geodezji coraz większego znaczenia nabiera zagadnienie odporności sieci geodezyjnych na zaburzenia błędami grubymi. Odporność ta wyrażana jest miarami tzw. niezawodności wewnętrznej obserwacji. W niniejszej pracy przeprowadzono analizę wpływu niezawodności wewnętrznej sieci na skuteczność wykrywania błędów grubych dla kilku najbardziej popularnych w praktyce strategii diagnostycznych. Analizie poddano również zaproponowaną w pracy strategię wykrywania obserwacji zaburzonych błędami grubymi, opartą na klasyfikacji wzorców zaburzeń układu obserwacyjnego. Z przeprowadzonych analiz wynika, ze istnieje wyraźna zależność skuteczności wszystkich badanych metod diagnostycznych od poziomu niezawodności wewnętrznej sieci geodezyjnej. Przeprowadzone badania numeryczne pokazały, że skuteczność metod diagnostycznych zależy szczególnie od poziomu niezawodności wewnętrznej obserwacji zaburzonych błędami grubymi. W pracy wykazano również, że w przypadku sieci niejednorodnych niezawodnościowo skuteczność wykrywania błędów grubych obniża się z racji występowania elektów maskowania wpływu błędów grubych oraz przenoszenia ich na poprawne obserwacje. Zwrócono również uwagę na możliwość zaistnienia w sieci sytuacji, w których błędy grube są nieidentyfikowalne, a nawet absolutnie niewykrywalne. Możliwość wystąpienia takich sytuacji, jak również wspomnianych efektów, maleje wraz ze wzrostem poziomu niezawodności wewnętrznej sieci. Najprostszym i najskuteczniejszym sposobem na efektywne wykrywanie ewentualnych błędów grubych w sieci geodezyjnej jest więc zapewnienie odpowiednio wysokiego poziomu niezawodności wewnętrznej już na etapie jej projektowania. Stosowne kryterium niezawodnościowe powinno znaleźć się w obowiązujących instrukcjach technicznych.

EN

Already in 1777, Bemoulli wrote about the need for analysis of measurement results and the rejection of outliers. The first attempts to develop statistical methods for diagnosing gross errors were recorded around 1850. In 1964, Huber presented a new approach to observation adjustment, robust to gross errors, which in recent years has been gaining more and more popularity. Until now. in international statistical literature, also in geodetic publications, a lot of different methods of gross error detection have appeared. Existing methods differ in (he assumptions and strategy of operations. However, according to various studies. none of them is characterized by 100% efficiency. In the last few years in geodesy. the issue of robustness of geodetic networks to gross errors is becoming increasingly important. This robustness is expressed with measures of the so-called internal reliability of observations. In this work, the analysis of the influence of the network internal reliability on the effectiveness of gross errors detection was conducted for several most popular diagnostic strategies. Also. the strategy of outlier detection proposed in this work. based on the classification of disturbance patterns of the observation system, was analyzed. The analyses showed that there is a distinct dependence of the effectiveness of each of all the considered diagnostic methods on the level of internal reliability of geodetic network. Numerical studies carried out showed that the effectiveness of diagnostic methods is particularly dependent on the level of internal reliability of observations disturbed by gross errors. The study also showed that in the case of networks with diversified measures of internal reliability, the effectiveness of gross error detection decreases with the presence of masking effects and with transfer of gross error impact to correct observations. It was also noted that there may occur such situations in the network in which gross errors are unidentifiable or even absolutely undetectable. The possibility of occurrence of such situations, as well as the above mentioned effects, decreases with the increase in the level of the network internal reliability. The easiest and most effective way to detect gross errors efficiently in geodetic networks is therefore to provide an appropriately high level of internal reliability at the stage of network design. A relevant criterion for internal reliability should be introduced into existing technical instructions.

Słowa kluczowe

PL

błąd gruby; niezawodność sieci; skuteczność metody

EN

error; network reliability; effectiveness of the method

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Geodezja
• Rocznik: 2012
• Tom: z. 49
• Strony: 3--90
• Opis fizyczny: Bibliogr. 102 poz., rys., tab.

Twórcy

autor

Kwaśniak M.

• Wydział Geodezji i Kartografii, Politechnika Warszawska

Bibliografia

• [1] Adamczak R. (2001): Zastosowanie sieci neuronowych do klasyfikacji danych doświadczalnych. Rozprawa doktorska, UMK, Toruń.
• [2] Adamczewski Z. (1964): Model sieci geodezyjnej. Rozprawa doktorska, Politechnika Warszawska, Warszawa.
• [3] Adamczewski Z. (1971): Nieliniowa analiza dokładności sieci geodezyjnej. Geodezja i Kartografia, z. 3. s. 209-223.
• [4] Adamczewski Z. (1979): Algorytm numerycznej kontroli przylegania obiektów. Geodezja i Kartografia, t. XXVII, z. 3, s. 195-200.
• [5] Adamczewski Z. (2002); Nieliniowe i nieklasyczne algorytmy w geodezji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [6] Adamczewski Z. (2005): Teoria błędów dla geodetów. Oficyna Wydawnicza Politechniki Warszawskiej, wyd. pierwsze.
• [7] Adamczewski Z. (2007): Rachunek wyrównawczy w 15 wykładach. Oficyna Wydawnicza Politechniki Warszawskiej. Wyd. 2 poprawione i uzupełnione.
• [8] Aduol F.W.O. (1994): Robust geodetic parameter estimation through iterative weighting. Survey Review, Vol. 32(252), pp. 359-367.
• [9] Aduol F.W.O. (2003): Robust geodetic parameter estimation under least squares through weighting on the basis of the mean square error. In Geodesy - The Challenge of the Third Millennium (Eds. E. W. Grafarend, F. W. Krumm and V. S. Schwarze). Springer Verlag: Berlin, Heidelberg, New York. etc., 2003.
• [10] Agullo J., Croux C., Vanaelst S. (2008): The multivariate least-trimmed squares estimator. Journal of Multivariate Analysis, Vol. 99, Issue: 3, pp. 311-338.
• [11] Ali A., Qadir M. F. (2005); A Motlified M-estimator for the Deiection of Outliers. Pakistan Journal of Statistics and Operation Research, Vol. 1, No 1, pp. 49-64.
• [12] Al-Zoubi M.B. (2009): An Effective Clustering-Based Approach for Outlier Decttion. European Journal of Scientific Research, Vol. 28. No, 2, pp. 310-316.
• [13] Baarda W. (1967): Statistical concepts in geodesy. Netherlands Geodetic Commission, Publications on Geodesy, New Series, Vol. 2, No. 4, Delft.
• [14] Baarda W. (1968): A testing procedure for use in geodetic networks. Netherlands Geodesic Commission, Publications on Geodesy, New Series, Vel. 2. No. 5, Delft.
• [15] Batko T. (2003): Filtrowanie spamu: filtr Bayesa. Gazeta IT (http: //gazeta-it.pl/200305225842 /Filtrowanie-spamu-filtr-Bayesa.html
• [16] Berber M., Hekimoglu S. (2001): What is the Reliability of Robust Estimators in Networks? Proceedings of First International Symposium on Robust Statistics and Fuzzy Techniques in Geodesy and GIS, IAG-SSG 4.190 Non-probabilistic assessment in geodetic data analysis, March 12-16, ETH Zurich, Switzerland.
• [17] Boz Y., Gokalp E. (2006): Robust Estimation of the Outliers in GPS Baseline Components. Shaping the Change XXIII FIG Congress Munich, Germany.
• [18] Brailovsky V.L. (1996): An Approach to Outlier Deteciion Based on Bayesian Probabilislic Model. Proceedings of 13-th International Conference on Pattern Recognition, Vol. II, pp. 70-74, Vienna, Austria.
• [19] Bugmann G. (1998): Classification using networks of normalized radial basis functions. In Proceedings of ICAPR'98, Plymouth, pp. 1-10.
• [20] Caspary W.F. (1988): "Concepts of network and deformation analysis", Monograph 11, School of Surveying, The Univ. of New South Wales, Kensington, N.S.W., Australia.
• [21] Cen M., Li Z. Ding X., J.Zhuo J. (2003): Gross error diagnostics before least squares adjustment of observations. Journal of Geodesy, No, 77, pp. 503-513.
• [22] Chatterjee S. Hadi A.S, (1988): Sensitivity analysis in linear regression. John Wiley, New York etc.
• [23] Cross P., Price D. (1985): A strategy for the distinction between single and multiple gross errors in geodetic networks. Manuscripta Geodeatica, Vol. 10, pp. 172-178.
• [24] Ding X., Coleman R. (1996): Multiple outlier detection by evaluating redundancy contributions of observations. Journal of Geodesy, No. 70(8), pp. 489-498.
• [25] Duchnowski R. (2008): R-estimation and its application to the LS adjustment. Bolletlino di Geodesiae Scienze Affini, Vol. 67, No. 1, pp. 17-32.
• [26] Duchnowski R. (2009): Geodetic Application of R-Estimation - Leveling Network Examples. Technical Sciences/University of Warmia and Mazury in Olsztyn, nr 12, s. 135-144.
• [27] Ekiz U. (2002): A Bayesian method to detect outliers in multivariate linear regression, Hacettepe Journal of Mathematics and Statistics, Vel. 31, pp. 77-82.
• [28] Ethrog U. (1991): Statistical test of significance for testing outlying observations. Survey Review, Vol. 31(240), pp. 62-70.
• [29] Even-Tzur G. (2001): Graph Theory applications to GPS Networks. GPS Solutions, Vol. 5, No. 1, pp. 31-38.
• [30] Gargula T., Krupiński (2007): The use of conic equation as a damping functionin robust estimation. AVN, Vol. 10, pp. 337-340.
• [31] Gokalp E., Boz Y. (2005): Outlier Detection in GPS Networks with Fuzzy Logic and Conventional Methods. Materiały Konf. FIG Working Week 2005 and GSDI-8. From Pharaohs to Geoinformatics, Cairo, Egypt.
• [32] Gokalp E., Gungor O., Boz Y. (2008): Evaluation of Different Outlier Detection Methods for GPS Networks. Sensors, Vol. 8, pp. 7344-7358.
• [33] Gui Q. Gong Y., Li G., Li B. (2007): A Bayesian approach to the detection of gross errors based on posteriorprobability. Journal of Geodesy, Vol. 81, pp. 651-659.
• [34] Gui Q., Gong Y., Li. G., Li B. (2011): A Bayesian unmasking method for locating multiple gross errors based on posterior probabilities of classification variables. Journal of Geodesy, Vol. 85, pp. 191-203.
• [35] Gullu M., Yilmaz I. (2010): Outlier detection for geodetic nets using ADALINE learning algorithm. Scientific Research and Essays, Vol. 5(5), pp, 440-447. Available online at http://www.acade-micjournals.org/SRE
• [36] Guo J.F., Ou J.K., Gui Q.M. (2004): Sensitivity analysis on robust M-estimation. Technical Report of grant No. 40274001 sponsored by Natural Science Foundation of China, 9 pages.
• [37] Guo J.F., Ou J.K. (2010): Variation characteristics of MDBs in robust estimation. Allgemeine Vermessungs-Nachrichten, Berlin 117(2010)2, pp. 49-52.
• [38] Hampel F.R. (1974): The Influence Curve and Its Role in Robust Estimation. Journal of the American Statistical Association, Vol. 69, No. 346, pp. 383-393.
• [39] Hampel F.R., Ronchetti E.M., Rousseeuw F.J. and Stahel W.A. (1986): Robust Statistics: The Approach Based on Influence Functions, John Wiley & Sons, New York.
• [40] Hausbrandt S. (1953): Rachunki geodezyjne. PPWK, Warszawa.
• [41] Hekimoglu S., Erenoglu R.C. (2005): A test for Baarda's reliability theory. Proc. of lnternational Symposium on Modern Technologies. Education and Professional Practice in Geodesy and Related Fields, Sofia, 3-4 November, 2005, pp. 248-254.
• [42] Huber P.J. (1964): Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, Vol. 35, No.1, pp. 73-101.
• [43] Huber P.J. (1981): Robust Statistics. John Wiley & Sons Inc., New York.
• [44] Jorgensen C., Frederiksen P., Kubik K., Weng W. (1984): Ah, robust estimation! Proc. of XV Congress of the International Society for Photogrammetry and Remote Sensing, Rio de Janeiro, Commission III, pp. 268-277.
• [45] Juhl J. (1984): The "Danish Method"of weight reduction and gross error detection. Proc. of XV Congress of the International Society for Photogrammetry and Remote Sensing, Rio de Janeiro, Commission III, pp. 468-472.
• [46] Kadaj R. (1984): Die Methode "der besten Alterative": Ein Ausgleichnungsprinzip fur Beobaehtungssystemme. ZfV, No. 6, pp. 301-307.
• [47] Kadaj R. (1988): Ein robuster Schweitzer in der Deformationsanalyse, X Int. Kurs fuer Ingenieur-fermess, München.
• [48] Kamiński W. (2000): Odporna estymacja bayesowska w wyrównaniu sieci geodezyjnych. Rozprawa habilitacyjna. Uniwersytet Warmińsko-Mazurski w Olsztynie.
• [49] Kamiński W., Wiśniewski Z. (1992): Analiza wybranych, odpornych na błędy grube, metod wyrównania obserwacji geodezyjnych. II Analiza. Geodezja i Kartografia, t. XLI. z. 3-4.
• [50] Kamiński W., Wiśniewski Z. (1994): The Method of Growing Rigor for the adjustment of geodetic contamined by gross errors. Manuscripta Geodaetica, Vol. 19, pp. 55-61.
• [51] Katambi S.S., Guo J.. Kong X. (2002): Applications of graph theory to gross error detection for GPS geodetic control networks. Geo-Spatial Information Science. Vol. 5, No. 4. pp. 26-31.
• [52] Keysers D.M. (2006): Modeling of Image Variability for Recognition, Doktors Dissertation, Rheinisch-Westfalisehe Technische Hochschule, Aachen.
• [53] Kiełbasiński A., Schwetlick H. (1992): Numeryczna algebra liniowa. Wprowadzenie do obliczeń zautomatyzowanych, Wydawnictwa Naukowo-Techniczne, Warszawa.
• [54] Knight N.L., Wang J. (2009): A Comparison of Outlier Detection Procedures and Robust Estimation Methods in GPS Positioning. The Journal of Navigation, Vol. 62(04), pp, 699-709.
• [55] Koenker R., Portnoy S. (1987): L-Estimation for Linear Models. Journal of the American Statistical Association, Vol. 82, No. 399, pp. 851-857.
• [56] Krarup T., Juhl J., Kubik K. (1980): Gotterdammerung over least squares adjustment. Proc. 14th ISP Congress, Hamburg, pp. 369-378.
• [57] Kubik K., Weng W., Frederiksen P. (1984): Oh, grosserrors! Proc. of XV Congress of the International Society for Photogrammetry and Remote Sensing. Rio de Janeiro, Commission 111, pp. 288-289.
• [58] Kuzmanović I., Sabo K., Scitovski R., Vazler I. (2009): The best least absolute deviation linear regression: properties and two efficient methods. Journal of Applied Mathematics, Vol. 2, No. 3, pp. 227-240.
• [59] Kwaśniak M. (2008): Estimation of post-adjustment correlations between observations on the basis of their topological coexistence in the network. Geodesy and Cartographic, Vol. 57, No. 2, pp. 45-60.
• [60] Kwaśniak M. (2009): Algorithm of determining the coexistence levels of unknowns and their binding functions in linear equation systems. Reports on geodesy, No. 2(87), pp. 217-223.
• [61] Kwaśniak M. (2011a): Comparative analysis of different manners of execution of Huber's robust estimation. Reports on geodesy. No. 2(87), pp. 217-223.
• [62] Kwaśniak M. (2011 b): Effectiveness of chosen robust estimation methods compared to the level of network reliability. Geodesy and Cartography, Vol. 60. No. 1, 2011, pp. 3-19.
• [63] Kwaśniak M., Odziemczyk W., Prószyński W. (1992): Tools for testing kinematic networks, as developed at the Warsaw University of Technology, Proc. of the 6th International FIG-Symposium on Deformation Measurements, Hannover, 24-28 Feb., 1992.
• [64] Martusewicz J. (1994): Trilateration Network Checking System. Kwartalnik Naukowy PAR Geodezja i Kartografia, t. XLIII, z. 4, s. 263-282.
• [65] Martusewicz J. (1997): System kontrolny sieci trilateracyjnych. Nowe Metody Pomiarów Geodezyjnych i Fotogrametrycznych. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [66] Nowak E. (1986): Teoretyczne i praktyczne aspekty geodezyjnego rachunku wyrównawczego. Wyd. Politechniki Warszawskiej, Geodezja, z. 27.
• [67] Nowak E. (2000): Algorytmy numeryczne w geodezji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [68] Nowak E., Nowak J. (2005): Boundary properties of the reliability matrix. Reports on Geodesy, No. 3(74), pp. 65-75.
• [69] Nowak J. (2002): Badanie niezawodnościowych własności technik fotogrametrycznych w aspekcie zastosowań inżynieryjnych. Rozprawa doktorska, Politechnika Warszawska, Warszawa,
• [70] Oh S., Ching Y., Suen C. Y. (2002): A class-modular feedforward neural network for handwriting recognition. Pattern Recognition, Vol. 35, pp. 229-244.
• [71] Osada E. (2002): Geodezja. Wydanie II rozszerzone, Oficyna Wydawnicza Politechniki Wrocławskiej. Wrocław.
• [72] Osowski S. (2000): Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [73] Ou G., Murpney Y.L. (2007): Multiclass pattern classification using neural networks. Pattern Recognition, Vol. 40, pp. 4-18.
• [74] Öztürk Ö. (1998): A robust and almost fully efficient M-estimator Austrian & New Zeaiand Journal Statistics, Vol. 40(4), pp. 415-424.
• [75] Petersen K.B., Pedersen M.S. (2008): The Matrix Cookbook. Technical University of Denmark, 71 pages.
• [76] Pope A.J. (1976): The statistics of residuals and the detection of outliers, NOAA Technical Report NOS65 NGS1, National Geodetic Information Center, Rockville.
• [77] Prószyński W. (1994): Criteria for internal reliability of linear least square models. Bulletin Geodesique, Vol. 68, pp. 162-167.
• [78] Prószyński W. (1997): Measuring the robustness potential of the least-squares estimation: geodetic illustration. Journal of Geodesy, No. 71, pp. 652-659.
• [79] Prószyński W. (2000): On the space of imperceptible observational errors in linear Gauss-Markov Models with examples taken form engineering surveys. Geodesy and Cartography, Vol. 49, No. 2, pp. 91-106.
• [80] Prószyński W, (2008): The vector space of imperceplible observation errors: a supplement to the theory of network reliability, Geodesy and Cartography, Vol. 57, No. 1, pp. 3-19.
• [81] Prószyński W. (2012): Odporność wewnętrzna modeli liniowych na zaburzenia w danych obserwacyjnych - obserwacje nieskorelowane i skorelowane. Centrum Studiów Zaawansowanych Politechniki Warszawskiej, Lecture Notes 6, Warszawa.
• [82] Prószyński W., Kwaśniak M. (2002): Niezawodność sieci geodezyjnych. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [83] Rao C.R. (1982): Modele liniowe statystyki matematycznej. PWN, Warszawa.
• [84] Rousseeuw P. J. (1984): Least Median of Squares Regression. Journal of the American Statistical Association, Vol. 79, No. 388, pp. 871-880.
• [85] Rousseeuw P.J., Yohai V. (1984): Robust regression by means of S-estimators. Robust and Nonlinear Time Series Analysis. Lecture Notes in Statistics, Vol. 26, pp. 256-272.
• [86] Schaffrin B. (1987): Approximating the Bayesian estimate of the standard deviation in a linear model. Ballantine Geodeticae, Vol. 61(3), pp. 276-280.
• [87] Sergieieva K.. Osada E. (2009): Metody wyrównywania sieci wysokościowych z jednoczesnym wykrywaniem odstających punktów dowiązania. Magazyn Geoinformacyjny Geodeta, Nr 11(174), s. 24-28.
• [88] Skórczyński A. (1985): Rachunek wyrównawczy. PPWK, Warszawa.
• [89] Teunissen P.J.G, (1990): Quality control in integrated navigation systems. Aerospace and Electronic Systems Magazine, Vol. 5, No. 7, pp. 35-41.
• [90] Teunissen P.J.G. (1999): GPS Ambiguity Resolution as a Classification Problem. Studia Geophysica et Geodaetica, Vol. 43, No. 1, pp. 61-72.
• [91] Waterhouse S.R., Robinson AJ. (1994): Classification using hierarchical mixture of experts. In Proc. 1994 IEEE Workshop on Neural Networks for Signal Processing IV, pp. 177-186.
• [92] Wiering M.A. (2003): Hierarchical Mixtures of Naive Bayesian Classifiers. In P. Larrinaga, J. Lozano, J. Pena & I. Inza (Eds), European Conference on Machine Learning. Workshop on Probabilistic Graphical Models for Classification. ERCIM news (pp. 93-104).
• [93] Wiśniewski Z. (1987): Metoda RP jako sposób wyrównania sieci geodezyjnych. Materiały V Sesji Naukowo-Technicznej nt. "Aktualne problemy naukowo-techniczne prac geodezyjnych i fotogrametrycznych" organizowanej przez Instytut Geodezji i Fotogrametrii ART Olsztyn i OPGK Gdańsk, Olsztyn, s. 91-105.
• [94] Wiśniewski Z. (1991): Comparative categories in analysis of methods of geodetic observation adjustment. Zeszyty Naukowe Akademii Górniczo-Hutniczej im. Stanisława Staszica, Geodezja, Nr 112, s. 41-55.
• [95] Wiśniewski Z. (1993): Alternatywa metody najmniejszych odchyleń absolutnych. Geodezja i Kartografia, t. XLII, z. 3, s. 199-214.
• [96] Wiśniewski Z. (2005): Rachunek wyrównawczy w geodezji (z przykładami). Wydawnictwo Uniwersytetu Warmińsko-Mazurskiego, Olsztyn.
• [97] Wiśniewski Z. (2008): Msplit estimation. Part I: Theoretical foundation. Geodesy and Cartography, Vol. 58, No. 1, pp. 3-21.
• [98] Wiśniewski Z. (2009): Estimation of parameters in a split functional model of geodetic observations (Msplit estimation). Journal of Geodesy, Vol. 83, pp. 105-320.
• [99] Wiśniewski Z. (2010): Msplit(q) estimation: estimation of parameters in a multi split functional model of geodetic observations. Journal of Geodesy, Vol. 84, pp. 355-372.
• [100] Xu P. (2005): Sign-constrained robust least squares, subjective breakdown point and the effect of weights of observations on robustness. Journal of Geodesy, Vol. 79, pp. 146-159.
• [101] Yang L., Shi B., Zhang X., Qiao L. (2007): A New Approach to Outlier Deteclion. In: Proceedings of the 7th international conference on Computational Science. Part III: ICCS, Part III, pp. 615-620.
• [102] Yang P., Zhu Q., Zhong X. (2009): Subtractive Clustering Based RBF Neural Network Model for Outlier Detection. Journal of Computers, Vol. 4, No. 8, pp. 755-162.