Алгоритмы формирования знаний для экспертных систем в слабоструктурированных предметных областях тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Муратова, Елена Анатольевна

• Муратова, Елена Анатольевна
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Муратова, Елена Анатольевна

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ДАННЫХ И ФОРМИРОВАНИЕ ЗНАНИЙ В ЭКСПЕРТНЫХ СИСТЕМАХ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

1.1. Экспертные системы и их место при анализе слабоструктурированных проблем.

1.2. Основные понятия и определения, исходный материал.

1.3. Постановка задачи при формировании знаний для экспертных систем в слабоструктурированных предметных областях.

1 .4. Модели представления данных и знаний.

1.5. Методы анализа данных и формирования знаний

1.6. Интерактивный анализ данных и знаний.

Выводы.

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА АДАПТИВНОГО КОДИРОВАНИЯ РАЗНОТИПНОЙ ИНФОРМАЦИИ.

2.1. Методы преобразования разнотипных данных.

2.2. Разработка алгоритма адаптивного кодирования разнотипной информации.

2.2.1. Метод адаптивного эвристического кодирования признаков.

2.2.2. Построение аппроксимирующей функции методом наименьших квадратов.

2.2.3. Выявление различий в распределениях значений признака в диагностируемых классах.

2.2.4. Алгоритм адаптивного кодирования разнотипной информации.

2.3. Оценка информативности признака.

2.4. Алгоритм адаптивного кодирования в задачах конструирования локальных диагностических шкал.

Выводы.

ГЛАВА 3. РАЗРАБОТКА ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ ФОРМИРОВАНИЯ ЗНАНИЙ В СЛАБОСТРУКТУРИРОВАННЫХ ПРЕДМЕТНЫХ ОБЛАСТЯХ.

3.1. Информационная технология: основные принципы построения.

3.2. Этап 1. Построение логических моделей методом локальной геометрии.

3.3. Этап 2. Построение логических моделей методом ограниченного перебора.

3.4. Этап 3. Построение логических моделей с использованием деревьев решений.

3.5. Этап 4. Выявление устойчивых логических закономерностей в изучаемой предметной области.

Выводы.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И АПРОБАЦИЯ РЕЗУЛЬТАТОВ.

4.1. Программная реализация алгоритма адаптивного кодирования разнотипной информации.

4.2. Оценка эффективности алгоритма адаптивного кодирования разнотипной информации на примере решения задачи прогнозирования адаптации студентов к обучению в вузе

4.3. Формирование информативных диагностических диапазонов в программе \JniData при изучении влияния комплекса реабилитационных мероприятий на уровень здоровья беременных женщин.

4.3. Применение информационной технологии формирования знаний при исследовании специфики когнитивного обеспечения интеллектуальной деятельности студентов.

Выводы.

Введение диссертации (часть автореферата) на тему «Алгоритмы формирования знаний для экспертных систем в слабоструктурированных предметных областях»

Актуальность работы.

В настоящее время исследования в области разработки интеллектуальных систем, выполняющих роль эксперта и консультанта, лежат на магистральном направлении развития компьютерной информационной технологии [14, 30, 32, 38-40,! 44; 61, 80, 86, 102]. При этом, бесспорно, актуальными являются проблемы, связанные с формированием и представлением знаний, выявлением закономерностей в знаниях, формированием решающих правил, принятием и обоснованием решений [22].

Процесс извлечения знаний на начальных этапах проектирования интеллектуальных экспертных систем, - один; из наиболее сложных и трудоемких, и он не всегда; заканчивается успешно, поскольку базы данных в слабоструктурируемых предметных областях содержат неполную, нечеткую, разнотипную и противоречивую информацию; Поэтому одним из перспективных подходов к решению обозначенных проблем является использование интеллектуальных методов Data Mining - современным воплощением основных идей искусственного'интеллекта [105], - основными задачами которых являются поиск функциональных зависимостей и логических закономерностей в; накопленной информации, построение моделей и правил, объясняющих найденные закономерности.

На мировом1 рынке программных продуктов уже давно имеется ряд систем извлечения знаний, большинство из, которых предназначено для крупных корпоративных хранилищ информации и, соответственно, работает на мощных компьютерах. В то же время в России и ведущих зарубежных странах активно ведутся разработки; программных продуктов, относящихся к классу систем Data Mining, работающих на персональных компьютерах: ОТЭКС, ЭКСНА (Загоруйко Н.Г., Новосибирск); ЭКСАПРАС, ИМСЛОГ (Янковская А.Е., Томск); системы, реализующие ДСМ-метод логического вывода (Финн

В.К., Москва); обучающие системы Стефанюка B.JI. (Москва); система интеллектуального анализа данных, распознавания и прогноза (Журавлев Ю.И., Рязанов В.В. и др., Москва); технология для построения экспертных систем и баз знаний SIMER+MIR+KAD (Исследовательский Центр Искусственного Интеллекта, Переяславль-Залесский); PolyAnalyst (Megaputer Intelligence, Россия); инструментальный комплекс АТ-ТЕХНОЛОГИЯ (Рыбина Г.В., Москва); инструментальный пакет CAKEv2.0 (Воинов А., Россия); Универсальный Классификатор (Юдин B.£L, Россия); система Deep Data Diver (Дюк В.А., Асеев: М.Г., Санкт-Петербург); система: представлений знаний в процессе обучения INSPIRATION (Inspiration Corp, США); система поиска логических закономерностей в данных WIZWHY (WizSoft, США); система построения деревьев решений See5/C5.0 (RuleQuest, США); система построения классификационных и регрессионных деревьев CART (США); интерактивный дихотомайзер ID3 (США) и др.

Изучение существующего многообразия методов исследования данных и систем, реализующих данные методы, подтолкнуло нас к идее интеграции существующих средств в единую информационную технологию формирования знаний.

Направленность на слабоструктурируемые предметные области обусловлена тем, что они характеризуются сложностью и неопределенностью объектов исследования. Предложенный подход даст возможность исследователю получать информацию нового качества в виде логических закономерностей. Выявленные таким образом закономерности! позволят объяснить существующие факты и процессы в изучаемой предметной области, выявить и осмыслить новые знания, а также переосмыслить ранее известные факты, процессы и тенденции, характеризующие формирование, эволюцию и трансформацию сложных систем, сформировать процедуры работы со знаниями, в частности, процедуры рассуждения.

Главной особенностью разработанной информационной технологии является качественно новый метод организации взаимодействия исследователя и компьютера для решения слабоструктурированных задач.

При выборе методов исследования; предпочтение было4 отдано логическим методам, которые позволяют представить имеющиеся закономерности на языке,' близком к естественному языку логических суждений, и: дают возможность специалисту в прикладной области лучше понять внутренние причинно-следственные связи изучаемых сложных объектов [17, 29, 47, 53, 73, 77]. С их помощью решаются задачи< прогнозирования, классификации, распознавания образов, сегментации баз данных, извлечения из данных скрытых (невербализуемых) знаний, интерпретации данных, установления ассоциаций в базах данных и др. Логические методы работают в условиях разнородной информации, что особенно важно для слабоструктурируемых предметных областей. В качестве альтернативы логическим методам, в информационную технологию включен метод локальной геометрии [28], переводящий задачу формирования знаний на язык геометрических соотношений между эмпирическими фактами, выступающими целостными информационными единицами. При этом решается проблема; разнотипности исходных данных.

В то же время практика показывает целесообразность разработки такого рода технологий, сочетающих различные методы интеллектуального анализа данных.

Актуальность тематики диссертационной работы и решаемых в ней задач подтверждается включением исследований по ним в гранты Российского фонда; фундаментальных исследований и гранты Российского фонда гуманитарных исследований.

Цель работы.

Задача в общем виде формулируется как разработка информационной технологии формирования знаний для областей, формализация знаний в которых сопряжена с целым рядом проблем. Построение технологии обеспечивается созданием математических моделей и применением адекватных задаче математико-статистических методов. Средством их реализации в данной работе являются разработанные алгоритмы извлечения и представления знаний, характерных для мультидисциплинарных исследований.

Для достижения поставленной цели необходимо было решить следующие задачи: разработать алгоритмы формирования знаний в слабоструктурированных предметных областях;

- разработать и программно реализовать алгоритм адаптивного кодирования разнотипной информации;

- создать программное обеспечение для конструирования локальных диагностических шкал;

- исследовать разработанные алгоритмы и программное обеспечение на экспериментальных данных; внедрить разработанные алгоритмы и программное обеспечение в практику. Методы исследования.

Методы и модели интеллектуального анализа данных, в частности, методы многомерного линейного анализа, ограниченного перебора (логико-комбинаторные), деревья решений, линейной геометрии:

Обоснованность и достоверность выдвигаемых и использованных в: диссертации научных положений, выводов и рекомендаций подтверждается:

- теоретическим обоснованием;

- апробированием программных реализаций;

- опытом применения для решения конкретных задач;

- перспективой дальнейшего использования. Основные положения, выдвигаемые на защиту:

1. Модифицированный алгоритм адаптивного кодирования разнотипной информации, предназначенный для унификации признакового пространства.

2. Универсальная программа 1МБа1а, предназначенная для решения задач кодирования разнотипной информации и конструирования: локальных диагностических шкал.

3. Информационная технология формирования знаний,, позволяющая выявлять логические закономерности в слаботсруктурируемых предметных областях.

Научная новизна.

- Разработан алгоритм адаптивного кодирования разнотипной информации, являющийся развитием метода адаптивного эвристического кодирования признаков, предложенного Тарановой Н;Н. Разработанный алгоритм, позволяет оперировать малыми выборками и эффективно адаптировать пространство признаков к особенностям решаемой задачи.

- Разработана информационная технология формирования знаний в слабоструктурированных предметных областях, объединяющая несколько методов интеллектуального анализа данных с последующей интеграцией выявленных логических закономерностей: метод локальной геометрии, метод ограниченного перебора; и построение деревьев решений. Отличительной особенностью данной технологии является представление исследователю возможности выбора в интерактивном режиме различных стратегий для решения прикладных задач.

- Разработана схема нахождения устойчивых логических закономерностей в структуре множества эмпирических фактов, представляющая собой новый подход для интеграции логических моделей.

- Разработана универсальная программа ШШа1а, в состав которой входит алгоритм адаптивного кодирования - разнотипной информации, алгоритм равномерного разбиения, алгоритм, реализующий 2 варианта экспертного разбиения и алгоритм комбинированного выделения информативных интервалов. Отличительной особенностью разработанной программы является ее многовариантность (5 вариантов выделения интервалов), востребованность (унификация признакового пространства является неотъемлемой частью подготовки разнотипной информации к дальнейшему анализу) и уникальность (нет подобных аналогов).

- Разработана схема выделения информативных диагностических интервалов, реализующая новый подход при конструировании локальных диагностических шкал: в медицине, психологии,, социологии, и других слабоструктурированных предметных областях.

- Для решения задач исследования специфики когнитивного обеспечения интеллектуальной деятельности студентов выявлены знания, доказывающие наличие эффекта крайних значений применительно к стилевым качествам интеллекта.

Связь работы с научными программами, темами, грантами.

Большая часть исследований диссертационной' работы проводилась в соответствии с планом работ по грантам: РФФИ, 2003-2005, №03-06-80128, "Моделирование механизмов эффективной интеллектуальной самореализации субъекта"; РГНФ, 2001-2003, №01-06-00084а, "Выявление специфики когнитивного развития^ субъектов с; высоким и сверхвысоким уровнем интеллекта"; РГНФ, 2002-2004, №02-06-00086а, "Влияние типов социальных взаимодействий на интеллектуальную самореализацию- и социальную адаптацию одаренных студентов в технических вузах".

Работа также частично поддержана грантами: РФФИ, 2003, №03-01-06115мас; РФФИ; 2001-2003, №01-01-01050, "Развитие интеллектуальной системы логико-комбинаторного принятия решения, основанной на матричном представлении знаний"; РФФИ; 2000-2003, №01-0100772, "Логические тесты, логико-вероятностный вывод и средства когнитивной графики в интеллектуальной системе"; РГНФ, 1998-2000, №98-06150, "Коммуникативный стресс студента: феноменология, закономерности динамики, факторы трансформации"; РФФИ, 1998, №98-01-00295, "Логико-вероятностные выводы на основе оптимальных смешанных диагностических тестов, частичной импликации и средств когнитивной графики в интеллектуальных системах"; РФФИ, 1998-2000, №98-01-03019, "Разработка математических основ и создание междисциплинарных гибридных интеллектуальных систем выявления закономерностей и оперативной оценки состояния окружающей среды в экологически напряжённых районах Западной

Сибири".

Практическая ценность.

Созданное программное обеспечение позволило получить качественно новые научные и практические выводы, существенно ускоряющие и облегчающие работу специалистов слабоструктурируемых предметных областей.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: 5-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии», Самара, 2000; седьмой национальной конференции по искусственному интеллекту с международным участием КИИ'2000, Переяславль-Залесский, 2000; Международном конгрессе «Искусственный интеллект в XXI веке», Дивноморское, 2001; Международной научной конференции «Интеллектуализация обработки информации (ИОИ-2002)», Алушта, Украина, 2002; IV Всероссийской конференции с международным участием «Новые информационные технологии в исследовании сложных структур», Томск, 2002; Международной научно-технической конференции «Компьютерное моделированием — 2003», Санкт-Петербург, 2003; Международной научно-технической конференции «Интеллектуальные системы (IEEE AIS'03)», Дивноморское, 2003. Публикации.

По результатам выполненных исследований было опубликовано 20 работ, приведенных в основном списке литературы [6-10, 35, 51, 55-59, 84, 96-100,

103, 111], в том числе 7 статей в рецензируемых журналах, 13 научных публикаций в материалах и трудах международных и Всероссийских конференций.

Также диссертант является автором 2 учебных пособий. На учебное пособие «Компьютерный анализ данных» получен в 2002 году гриф «Рекомендовано к межвузовскому использованию» в Сибирском региональном учебно-методическом центре.

Внедрение результатов.

Результаты работы используются в учебном процессе, и внедрены в лаборатории психологии способностей Института психологии РАН, в отделе социально-психологических исследований информационно-аналитического центра Томского политехнического университета, Томском государственном педагогическом университете, Сибирском государственном медицинском университете.

Структура и объем работы.

Диссертация состоит из введения, четырех глав основного содержания, заключения, изложенных на 182 страницах, содержит 52 рисунка, 27 таблиц, список литературы из 117 наименований и приложения.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Муратова, Елена Анатольевна

Выводы:

1. Разработана универсальная программа итБа1а, в состав которой входит алгоритм адаптивного кодирования разнотипной информации, алгоритм равномерного разбиения, алгоритм, реализующий 2 варианта экспертного разбиения и алгоритм комбинированного выделения информативных интервалов. Отличительной особенностью разработанной программы является ее многовариантность (5 вариантов выделения интервалов), востребованность (унификация признакового пространства, является неотъемлемой частью подготовки разнотипной информации к дальнейшему анализу) и уникальность (нет подобных аналогов).

Кроме того, программа позволяет одновременно с визуализацией частотного распределения вычислять информативность каждого интервала, тем самым,.корректируя шаги врача-диагноста при определении: оптимального или наиболее информативного разбиения области значений исследуемого признака.

2. Показано на примере решения задачи прогнозирования адаптации студентов к обучению в вузе, что разработанный автором диссертации алгоритм адаптивного кодирования разнотипной информации позволяет улучшать результаты классификации и прогнозирования по сравнению с экспертным выделением информативных интервалов.

3. С использованием разработанной автором универсальной программы UniData сформированы информативные диагностические диапазоны и тем самым доказана необходимость проведения тех ли иных корректирующих реабилитационных мероприятий в период беременности, что обеспечивает первичную профилактику перинатальной заболеваемости у детей.

4. Показано на примере исследовании специфики когнитивного обеспечения интеллектуальной деятельности студентов, что разработанная автором диссертации информационная технология формирования знаний является эффективным средством при выявлении скрытых закономерностей.

5. Доказано наличие определенного симптомокомлекса интеллектуальных качеств, которые благоприятствуют реальным интеллектуальным достижениям человека в профессионально ориентированных видах научно-технической деятельности. Кроме того доказано существование эффекта крайних значений применительно к стилевым качествам интеллекта.

ЗАКЛЮЧЕНИЕ

В диссертационной работе были; получены следующие основные результаты:

1. Рассмотрена классификация интеллектуальных систем по областям их применения. Определено место и значение экспертных систем в задачах анализа данных и получения новых знаний в слабоструктурируемых предметных областях. Проанализирована- терминология, и определения в области искусственного интеллекта. Сформулированы отличительные особенности знаний от данных, и описаны стратегии получения* знаний. Показано, что от того насколько полно будет изучена структура исходных экспериментальных данных на начальных этапах разработки экспертных систем, зависит эффективность принимаемых решений.

2. Введены описания задач, сопряженных с формированием новых знаний в исследуемых предметных областях. Проанализированы основные модели представления данных и знаний при разработке экспертных систем, а также на этапе структуризации данных и знаний.

3. Проведен анализ методов преобразования разнотипных данных, в основе которых лежат различные приемы унификации. Предложен более эффективный по сравнению с существующим способ кодирования разнотипной информации: Новизна предложенного алгоритма заключается в возможности работать с малыми выборками, что особенно актуально для слабоструктурируемых предметных областей.

4. Разработана информационная технология формирования знаний в слабоструктурированных предметных областях, объединяющая несколько методов интеллектуального анализа данных с последующей интеграцией выявленных логических закономерностей: метод локальной геометрии, метод ограниченного перебора и построение деревьев решений. Отличительной особенностью данной технологии является представление исследователю возможности выбора в интерактивном режиме различных стратегий для решения прикладных задач:

5: Усовершенствован метод локальной геометрии за счет проведения на начальных этапах конструирования логических правил визуального; анализа геометрической структуры исходных и преобразованных данных, а преобразование количественных и порядковых признаков; в серию бинарных признаков осуществлять на базе универсальной программы итБа1а. Такой подход дает возможность проводить более качественный анализ данных по сравнению с исходным методом.

6. Разработана схема нахождения устойчивых логических закономерностей, представляющая собой новый подход- для интеграции логических моделей и позволяющая исключать ложные закономерности, которые могут проявлять себя в силу имеющихсяособенностей > исследуемых данных в слабоструктурируемых предметных областях.

7. Разработана универсальная; программа ишБа1а, в состав которой! входит алгоритм адаптивного кодирования разнотипной информации, алгоритм < равномерного разбиения, алгоритм, реализующий 2 варианта экспертного разбиения и алгоритм комбинированного выделения информативных интервалов. Отличительной особенностью разработанной программы является ее многовариантность (5 вариантов выделения; интервалов), востребованность (унификация! признакового пространства; является: неотъемлемой частью подготовкшразнотипнойшнформацишк дальнейшему анализу) и уникальность (нет подобных аналогов).

8; На базе программы ишБа1а разработана схема? выделения; информативных диагностических интервалов, реализующая; новый подход приз конструировании; локальных диагностических шкал (информативных интервалов * признака). в медицине, психологии, социологии, психодиагностике и других слабоструктурированных предметных областях.

9. С использованием разработанного? алгоритма адаптивного кодирования разнотипной информации решены следующие прикладные задачи:

- выявлены информативные показатели и получены решающие правила для прогнозирования успешности адаптации студентов-первокурсников Томского политехнического университета к обучению: в вузе по результатам; медицинского исследования;

- сформированы информативные диагностические диапазоны и ■ тем самым доказана необходимость проведения тех ли иных корректирующих реабилитационных мероприятий в период беременности, обеспечивающих первичную профилактику перинатальной заболеваемости у детей.

10. С использованием разработанной информационной технологии формирования знаний при исследовании специфики когнитивного обеспечения интеллектуальной: деятельности студентов доказано наличие определенного симптомокомлекса интеллектуальных качеств, которые благоприятствуют реальным интеллектуальным» достижениям человека в. профессионально ориентированных видах научно-технической деятельности. Кроме того доказано существование эффекта крайних значений применительно к стилевым качествам интеллекта.

11. Разработанная универсальная программа ишОа1а внедрена на кафедре медицинской и биологической кибернетики: Сибирского государственного медицинского университета, в отделе социально-психологических исследований информационно-аналитического центра Томского политехнического университета, Томском государственном педагогическом университете;

12. На основе предложенной автором информационной технологии формирования знаний разработан цикл лабораторных работ по теме «Формирование знаний в экспертных системах», которые используются в учебном процессе по дисциплине «Базы данных и экспертные системы» для студентов 4 курса направления «Прикладная математика и информатика» на кафедре прикладной математики факультета автоматики и вычислительной техники.

Список литературы диссертационного исследования кандидат технических наук Муратова, Елена Анатольевна, 2004 год

1. Адаптационные характеристики человека / A.B. Ротов, М.А. Медведев, Я.С. Пеккер, О.Г. Берестнева. Томск: Издательство Томского университета, 1997.- 137с.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности.- М.: Финансы и статистика, 1989-608с.

3. Александров Е.А. Основы теории эвристических решений — М:, 1975254с.

4. Анализ состояния и тенденции развития информатики. Проблемы создания экспертных систем // Исследовательский отчет / Под ред. С .А. Николова-София, Интерпрограмма, 1988 151с.

5. Анастази А., Урбина С. Психологическое тестирование СПб.: Питер, 2001.- 688с.

6. Берестнева О.Г., Муратова Е.А., Кострикина И.С. Компьютерноемоделирование специфики развития познавательных способностей // Труды Международной научно-технической конференции «Компьютерное моделирование 2003» СПб.: «Нестор», 2003. - С.396-398.

7. Берестнева O.F., Муратова Е.А., Янковская; А.Е. Эффективный алгоритм адаптивного кодирования разнотипной информации // Искусственный интеллект в XXI веке. Труды Международного конгресса. Т. 1- Мл Физматлит, 2001- С. 155-166.

8. Бонгард М.М. Проблема узнавания М.: Наука, 1967. - 220 с.

9. Будущее искусственного интеллекта / Под ред. К.Е. Левитина и Д.А. Поспелова-М.: Наука, 1991.-302с.

10. Вайнцвайг М.Н. Алгоритм обучения распознаванию образов «Кора» // Алгоритмы обучения распознаванию образов. — М.: Сов. Радио, 1973. С.8-12.

11. Воинов А.И., Гаврилова Т.А.,, Данцин Е.Я. Язык визуального представления знаний и его место в САКЕ-технологии // Известия РАН: Теория и системы управления.— 1996- №2.

12. Вълев В. Задачи распознавания с большими массивами обучающей информации метод выбора существенных подзадач. / Сб. докладов, юбилейной научной сессии, Шумен - 1982 - С. 195-204.

13. Гаврилова Т. А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем М.: Радио и связь, 1992 - 200с.

14. Гик Дж. ван. Прикладная общая теория систем М.: Мир, 1981

15. Гипертекстовый психодиагностический словарь // http://ht.ru/on-line/dictionary/

16. Гладун В.П. Эвристический поиск в сложных средах Киев: Наукова Думка, 1977

17. Гласс Дж., Стенли. Дж. Статистические методы в педагогике и психологии.-М.: Прогресс, 1976 495с.

18. Громов Г.Р. Автоформализация профессиональных знаний. // Микропроцессорные Средства и Системы. 1986. - N 3. - С. 80 - 91.

19. Гублер Е. В., Генкин А. А. Применение непараметрических критериев статистики в медико-биологических исследованиях- JL: Медицина, 1973-142с.

20. Дейт К. Введение в системы баз данных / Пер. с англ.- М.: Наука,1980.

21. Дрибас В.П. Реляционные модели,баз данных- Минск: Изд-во БГУ,1982.

22. Дружинин В.Н. Психология общих способностей. СПб: Питер, 1999. -368с.

23. Дюк В., Самойленко A. Data Mining: Учебный курс. СПб: Питер, 2001.-368с.

24. Дюк В.А. Компьютерная психодиагностика- СПб.: Изд-во «Братство», 1994-364с.

25. Дюк В.А. Обработка данных на ПК в примерах: Статистические расчеты. Построение графиков и диаграмм. Анализ данных.- СПб.: Питер, 1997.-240с.

26. Егошина И.В., Калитова И.С. Обзор систем автоматического интеллектуального анализа данных и прогнозирования // http://www.jurinfor.ru/CSIT2000/EgoshinaK00.htm

27. Ефимова С.М., Суворов Е.В. Модель П-графов для представления знаний и способ ее аппаратной реализации на основе метода М37/ Изв. АН СССР. Техническая кибернетика.- 1986 № 2.- С.32-47.

28. Журавлев Ю.И., Рязанов В.В., Сенько О.В. и др. Разработка универсальной программной системы интеллектуального анализа данных, распознавания и прогноза // Математические методы распознавания образов

29. ММРО-11). Доклады 11-й Всероссийской конференции. Москва, 2003. -С. 227-229.

30. Информационная система мониторинга здоровья студентов / О.Р. Берестнева, В.Т. Иванов, Л.И. Иванкина, К.А. Шаропин, Е;А. Муратова // Вестник Томского государственного университета 20021- №1(11).— С. 196-201.

31. Искусственный интеллект: В 3 кн. Кн. 2. Модели и методы / Под ред. Д.А.Поспелова.-М.: Радио и связь, 1990;

32. Искусственный интеллект: В 3 кн. Кн.З. Программные и аппаратные средства / Под ред. В:Н.Захарова, В.Ф.Хорошевского- М;: Радио и связь, 1990.

33. Киселев М., Соломатин Е. Средства добычи! знаний в бизнесе и финансах // Открытые системы 1997 - № 4 - С.41-44.

34. Кобринский Б.А. Искусственный интеллект и медицина: возможности-и перспективы систем, основанных на знаниях // Новости; искусственного интеллекта 2001- №4.

35. Кобринский Б.А. Искусственный интеллект и медицина: особенности прикладных консультативных систем // Новости искусственного интеллекта — 2002.-№4.

36. Кофман А. Введение в прикладную комбинаторику. М.: Наука, 1975. -286 с.

37. Кочетков В.В., Скотникова И.Г. Индивидуально-психологические проблемы принятия решения. М.: Наука, 1993. - 143 с.

38. Лакин Г. Д. Биометрия М.: Высшая школа, 1980 — 293 с.

39. Ларичев О.И. Системы, основанные на экспертных знаниях: история, современное состояние и некоторые перспективы // Труды конференции;

40. КИИ'2000.- М: ФИЗМАТЛИТ, 2000- С.3-8.

41. Ларичев О.И. Теория и методы принятия решений, а также хроника событий в Волшебных странах: Учебник-М.: Логос, 2000-296с.

42. Лбов Г.С. Методы обработки разнотипных экспериментальных данных-Новосибирск: Наука, 1981- 159 с.

43. Лбов Г.С., Старцева H.F. Логические решающие функции и вопросы статистической устойчивости решений— Новосибирск: Изд-во Ин-та математики, 1999.

44. Лозовский B.C. Экстенсиональная база данных на основе семантических сетей // Изв. АН СССР. Техническая кибернетика- 1982 № 5-С. 23-42:

45. Магнус Я.Р., Катышев П.К., Пересецкий А;А. Эконометрика. Начальный курс: Учебник 5-е изд., испр — М.: Дело, 2001- 400 с.

46. Мартин Дж. Организация баз данных в вычислительных системах / Пер. с англ.- М.: Мир, 1980.

47. Минский М.! Фреймы для представления знаний / Пер. с англ.- М:: Энергия, 1979.

48. Михеенкова М.А., Финн; В.К. Проблемы и логические средства интеллектуального анализа социологических данных // Труды восьмой национальной конференции по искусственному интеллекту с международным участием. Т. 1- М.: Физматлит, 2002. С. 15-23.

49. Мудров А.Е. Численные методы для ПЭВМ на языках Бейсик, Фортран и Паскаль Томск: МП «РАСКО», 1991 - 227с.

50. Муратова Е.А. Алгоритм адаптивного кодирования; количественных признаков // Современное развитие и применение математических методов: Сб.статей студентов и аспирантов — Томск: Изд-во Института оптики атмосферы СО РАН; 2001.- С. 46-51.

51. Муратова Е.А., Берестнева О.Г. Выявление скрытых закономерностей в социально-психологических исследованиях // Известия ТПУ.- 2003 Т.306 — №3.-С.97-102.

52. Муратова Е.А., Берестнева О.Г.,. Янковская А.Е. Анализ структуры многомерных данных методом локальной геометрии7/ Известия ТПУ — 2003-Т.306 №3. - С. 19-23.

53. Муратова Е.А., Берестнева О.Г., Янковская А.Е. Эффективный алгоритм« адаптивного кодирования разнотипной информации // Труды конгресса «Искусственный интеллект в XXI веке». — М.: ФИЗМАТЛИТ, 2001: -С. 155-167.

54. Нетрадиционные модели и системы с нечеткими знаниями / Под ред. А.Ф.Блишуна-М.: Энергоатомиздат, 1991.

55. Никитов Г.В. О метрических методах интеллектуальной обработки данных // Математические методы распознавания образов (ММРО-11). Доклады 11-й Всероссийской конференции Москва, 2003 - СЛ56-157.

56. Нильсон Н. Принципы искусственного интеллекта / Пер. с англ.- М.: Радио и связь, 1985.

57. Осипов Г.С. Метод формирования и структурирования модели знаний для одного типа предметных областей // Изв. АН СССР. Техническая кибернетика.- 1988.- № 2.- С.3-12.

58. Осипов Г.С. О формировании модели для плохо структурированной предметной области // Изв. АН СССР. Техническая кибернетика 1986 - № 5 —1. С. 14-19.

59. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа. Томск: Изд-во НТЛ, 1997.-396 с.

60. Попечителев Е.П:, Романов C.B. Анализ числовых таблиц в биотехнических системах обработки экспериментальных данных— JL: Наука, 1985.- 144с.

61. Поспелов Г.С., Поспелов Д.А. Искусственный интеллект прикладные системы-М.: Энергия, 1985.

62. Поспелов Д.А. Искусственный интеллект: фантазии и реальность // Наука и жизнь 1995 - №6

63. Поспелов Д.А. Представление знаний // Искусственный интеллект: Кн. 2. Модели и методы / Под ред. Д.А.Поспелова.- М.: Радио и связь, 1990.-С.7-13.

64. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы-1996.- № 3 С. 10-13.

65. Поспелов Д.А. Ситуационное управление: теория и практика- М.: Наука, 1986.-288с.

66. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената М.: Мир, 1987 - С. 434.

67. Представление и использование знаний: Пер. с японск. / Под ред. Х.Уэно, М.Исидзука М.: Мир, 1989.

68. Программная система распознавания Лорег: Алгоритмыраспознавания, основанные на голосовании по системам логических закономерностей / В.П. Богомолов и др. М.: ВЦ РАН, 1998.

69. Психологическая диагностика и новые информационные технологии / Л.И. Вассерман, В.А. Дюк, Б.В. Иовлев, К.Р.Червинская- СПб.: ООО «СЛП»,. 1997.-С. 203.

70. Ревунков Г.И., Самохвалов Э.Н., Чистов В.В. Базы и банки данных и знаний/ Под ред. В.Н.Четверикова.— М.: Высшая школа, 1992.

71. Сидоренко Е. В. Математические методы в психологии.- СПб.: Изд-во Социально-психологический центр; 1996 —346с.

72. Таранова H.H. Метод адаптивного кодирования признаков // Динамика систем. Межвуз. тематич. сб. научн. тр./ Под ред. Ю.И. Неймарка Нижний Новгород: Нижегор. Гос. Ун-т., 1995 - С. 54-70.

73. Тарасенко Ф.П. Некоторые проблемы формализации гуманитарных знаний (на примере археологии) // Информационные технологии в гуманитарных исследованиях, 2000. -№2. С. 84-87.

74. Уинстон П. Искусственный интеллект / Пер. с англ.- М.: Мир, 1980.

75. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта / Под ред.

76. К.Е. Левитина и Д.А. Поспелова М.: Наука, 1991

77. Хант Э. Искусственный интеллект / Пер. с англ.- М.: Мир, 1978.

78. Холодная М.А. Психологические механизмы интеллектуальной одаренности // Вопросы психологии 1993. - №1 .- С.32-39.

79. Хорошевский В.Ф. Программный инструментарий представления знаний в экспертных системах // Экспертные системы: состояние и перспективы / Под ред. Д.А. Поспелова М.: Наука, 1989 - С.38- 47.

80. Цикритис Д., Лоховски Ф. Модели данных- М.: Финансы и статистика, 1985.

81. Шенк Р., Бирнбаум Л., Мей Дж. К интеграции семантики и прагматики // Новое в зарубежной лингвистике. Компьютерная лингвистика. — М.: Прогресс, 1989 432 с.

82. Эндрью А. Искусственный интеллект: Пер. с англ.-М:: Мир, 1985.

83. Янковская А.Е. Алгоритмы распознавания на базе оптимизирующих логико-комбинаторных преобразований в пространстве признаков // Математические методы распознавания образов: Тез. докладов IV Всесоюзной конференции. Рига, 1989-С.97-99.

84. Янковская А.Е., Берестнева О.Г. Муратова Е.А. Адаптивное преобразование признаков в задачах распознавания образов // Математические методы распознавания образов (ММРО-9). Доклады 9-й всероссийскойконференции-Москва, 1999 С.133-135.

85. Янковская А.Е., Муратова Е.А., Берестнева О.Г Унификация разнотипных данных в интеллектуальных распознающих системах // Знание-Диалог-Решение (KDS-2001). Труды Международной научно-практической; конференции. Том 2 СПб.: Изд-во «Лань», 2001 - С.661-668.

86. Янковская А.Е., Муратова Е.А., Берестнева О.Г. Извлечение знаний с применением алгоритма адаптивного кодирования разнотипной информации // Искусственный интеллект (Донецк).- 2002 №2 — С.315-322.

87. Янковская А.Е., Муратова Е.А., Берестнева О.Г. Формирование и оптимизация базы знаний в интеллектуальной системе ИМСЛОГ // Новости искусственного интеллекта — 2001 № 5-6 - С.34-40.'

88. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994. № 8/9. С. 61-83.

89. Kittler J.A. Feature set search algorithms // Proc. Conf. Pattern Recogn. and Signal Processing. Paris, France, 25 June - 4 July, 1978. p. 41-60.

90. Newquist H. P. Data Mining: The AI Metamorphosis // Database Programming & Design. 1996. - N 9 (Data Mining Special Edition Supplement). -P. 512-514.

91. Quinlan J. R. Induction of Decision Trees // Machine Learning 1986-№ 1 - P.l-81.

92. Simon H. The Structure of Ill-structured Problems // Artificial Intelligence. 1973, - V. 4. - P. 181- 202.

93. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей / Пер. с нем ./ А. Бююль, П. Цефель. СПб.: ООО «ДиаСофтЮП», 2001.- 608с.

94. User's Guide WizWhy Ver. 2. WizSoft Inc. // http://www.wizsofl.com

95. Vtogoff P.E. Incremental Induction of Decision Trees // Machine Learning.- 1989.-№ 4.-P. 161-186.

96. Yankovskaya A.E., Muratova E.A., Berestneva O.G. Application of Local Metrics for Formation and Optimization of the Knowledge Base // Pattern Recognition and Image Analysis MAIK «Nauka / Interperiodica» (Russia).- 2001.-V. 11.-N.2.-P. 488-490.