Алгоритмы построения смешанных диагностических тестов и принятия решений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Кузоваткин, Андрей Николаевич

• Кузоваткин, Андрей Николаевич
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Кузоваткин, Андрей Николаевич

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДЫ ПОСТРОЕНИЯ ЛОГИЧЕСКИХ ТЕСТОВ И

ПРИНЯТИЯ РЕШЕНИЙ (ОБЗОР)

1.1. Основные определения и понятия

1.2. Модели представления знаний.

1.3. Методы и алгоритмы построения логических тестов.

1.4. Принятие решений.

1.5. Выводы.

ГЛАВА 2. ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ И ПОНЯТИЯ,

НЕФОРМАЛЬНЫЕ ОПИСАНИЯ АЛГОРИТМОВ

2.1. Основные определения и понятия

2.2. Коэффициент разделения.

2.3. Неформальное описание алгоритма построения смешанных диагностических тестов и принятия решений.

2.4. Неформальное описание алгоритма принятия решений непосредственно в процессе построения смешанного диагностического теста.

2.5. Выводы.

ГЛАВА 3. АЛГОРИТМЫ ПОСТРОЕНИЯ СМЕШАННЫХ

ДИАГНОСТИЧЕСКИХ ТЕСТОВ И ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ПРОСТРАНСТВЕ

ТРОИЧНЫХ ПРИЗНАКОВ

-3-. 1'. Модифицированная формула вычисления коэффициента

разделения

3.2. Построение смешанных тестов и принятие решений.

3.3. Алгоритм принятия решений непосредственно в процессе построения смешанного диагностического теста

3.4. Сравнительные характеристики эффективности алгоритмов построения тестов.

3.5. Выводы.

ГЛАВА 4. АЛГОРИТМЫ ПОСТРОЕНИЯ СМЕШАННЫХ

ДИАГНОСТИЧЕСКИХ ТЕСТОВ И ПРИНЯТИЯ РЕШЕНИЙ

ДЛЯ МАТРИЧНОГО ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В

ПРОСТРАНСТВЕ ЦЕЛОЧИСЛЕННЫХ ПРИЗНАКОВ,

ЗАДАННЫХ В КОНСТАНТНОМ И ИНТЕРВАЛЬНОМ ВИДЕ

4.1. Вычисление коэффициента разделения

4.2. Построение безызбыточной матрицы импликаций для представления данных и знаний в пространстве номинальных и целочисленных признаков, заданных в константной форме.

4.3. Построение безызбыточной матрицы импликаций для представления знаний в пространстве целочисленных признаков с интервальным заданием значения признаков

4.4. Алгоритм построения смешанных диагностических тестов и принятия решений для матричного представления знаний в пространстве целочисленных и номинальных признаков.

4.5. Алгоритм принятия решений непосредственно в процессе построения смешанного диагностического теста

4.6. Выводы.

ГЛАВА 5 . СРАВНИТЕЛЬНЫЕ ХАРАКТЕРИСТИКИ АЛГОРИТМОВ

ПОСТРОЕНИЯ СМЕШАННЫХ ТЕСТОВ И ПРИНЯТИЯ

РЕШЕНИЙ И ИХ ЭКСПЕРИМЕНТАЛЬНЫЕ ИСПЫТАНИЯ В

ПРИКЛАДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ.

5.1. Сравнительные характеристики алгоритмов построения смешанных диагностических тестов

5.2. Описание прикладных интеллектуальных систем и баз знаний, выбранных для проведения исследований.

5.3. Тестирование и иллюстрация работы алгоритмов для базы знаний "Генетические изменения".

5.4. Результаты тестирования алгоритма принятия решений непосредственно в процессе построения смешанного диагностического теста на различных базах знаний.

5.5. Выводы.

Введение диссертации (часть автореферата) на тему «Алгоритмы построения смешанных диагностических тестов и принятия решений»

Актуальность работы. Автоматизацию обработки информации невозможно представить без применения широкого спектра методов и моделей классической и дискретной математики, математического моделирования, распознавания образов, искусственного интеллекта и реализующих их программных средств, включая интеллектуальные системы.

Основополагающие результаты в области распознавания образов, искусственного интеллекта и интеллектуальных систем получены Журавлевым Ю.И., Ларичевым О.И., Осиповым Г.С., Поповым Э.В., Поспеловым Г.С., Поспеловым Д.А., Финном В.К. Большой вклад в эти области внесены также Берштейном JI.C., Вагиным В.Н., Гладуном В.П., Еремеевым А.П., Загоруйко Н.Г., Закревским А.Д., Зенкиным А.А., Кобринским Б.А., Кузнецовым О.П., Курейчиком В.М., Лбовым Г.С., Мелиховым А.Н., Нариньяни А.С., Перевер-зевым-Орловым B.C., Печерским Ю.Н., Рудаковым К.В., Рязановым В.В., Стефанюком В.Л., Тарасовым В.Б., Хорошевским В.Ф., Янковской А.Е. и др.

Тестовые методы распознавания образов и принятия решений являются основой создания интеллектуальных систем, находящих применение в различных проблемных областях, к которым относятся: медицина, генетика, экология, геология, психология, социология, экономика, криминалистика, архитектура и строительство, управление, образование, научные исследования и ряд других.

Процедуры построения безусловных и условных тестов, используемых для распознавания образов, являются весьма трудоемкими, и их оптимизации уделяется большое внимание в трудах Журавлева Ю.И., Дюковой Е.В., Мош-кова М.Ю., Янковской А.Е. и ряда других ученых.

Таким образом, до сих пор весьма актуальными являются как разработка менее трудоемких алгоритмов тестового распознавания, приводящих к построению "хороших" тестов, то есть, обеспечивающих лучшее качество решений (по простоте решающих правил, точности принимаемых решений и минимизации затрат на их получение), так и создание на базе этих алгоритмов интеллектуальных систем, инвариантных к проблемным областям.

Именно на обеспечение лучшего качества принимаемых решений и направлена диссертационная работа, посвященная алгоритмам построения смешанных диагностических тестов (СДТ) и принятия решений. Обоснования целесообразности применения СДТ в интеллектуальных системах приводятся в работах Янковской А.Е. [56,61-74,77-79,85,89,90].

Актуальность исследований подтверждается поддержкой Российского фонда фундаментальных исследований (проекты: № 98-01-00295 "Логико-вероятностный вывод на основе оптимальных смешанных диагностических тестов, частичной импликации и средств когнитивной графики в интеллектуальных системах"; № 01-01-0772 "Логические тесты, логико-комбинаторно-вероятностный вывод и средства когнитивной графики в интеллектуальной системе"; № 01-01-01050 "Развитие интеллектуальной системы логико-комбинаторного принятия решений, основанной на матричном представлении знаний"; № 04-01-00144 "Технология решения связанных по экспертному заключению задач, основанная на логических тестах и средствах когнитивной графики в интеллектуальной системе", в выполнении которых принимал участие диссертант).

Цель работы. Развитие методов построения СДТ при матричном представлении данных и знаний в пространстве двоичных, троичных, номинальных, целочисленных признаков и реализация этих методов в интеллектуальном инструментальном средстве ИМСЛОГ (ИИС ИМСЛОГ), предназначенном для создания прикладных интеллектуальных систем выявления закономерностей в данных и знаниях и принятия решений для широкого круга проблемных областей.

Для достижения данной цели были поставлены следующие задачи:

1. Для матричного представления данных и знаний в пространстве двоичных, троичных, номинальных, целочисленных признаков разработать алгоритмы построения СДТ и принятия решений на их основе, а также алгоритмы принятия решений непосредственно в процессе построения смешанного диагностического теста в пространстве троичных признаков.

2. Разработать алгоритмы построения безызбыточной двоичной матрицы импликаций (для интервального и константного задания значений целочисленных признаков), задающей различимость объектов из разных образов.

3. Осуществить программную реализацию перечисленных выше алгоритмов в виде программных модулей ИИС ИМСЛОГ.

4. Создать на базе ИИС ИМСЛОГ прикладные интеллектуальные системы для решения задач в следующих областях: "Генетические изменения (оценка состояния здоровья ребенка по генетическим и функциональным показателям)"; "Квалифицированная и специализированная помощь при лучевых поражениях"; "Организационно-управленческие решения при чрезвычайных ситуациях"; "Оценка научно-технических проектов".

Методы исследования. В диссертационной работе применялись методы дискретной математики, распознавания образов, искусственного интеллекта, прикладного и системного программирования.

Положения, выдвигаемые на защиту:

1. Алгоритмы построения смешанных диагностических тестов на базе безусловных и принятия решений на их основе при матричном представлении данных и знаний в пространстве троичных, номинальных и целочисленных признаков.

2. Алгоритмы принятия решений непосредственно в процессе построения смешанных диагностических тестов на основе безусловных при матричном представлении данных и знаний в пространстве троичных, номинальных и целочисленных признаков.

3. Формулы для вычисления коэффициента разделения, используемого в процессе построения дерева смешанного диагностического теста.

4. Алгоритмы построения двоичной безызбыточной матрицы импликаций и вычисления весовых коэффициентов признаков при матричном представлении данных и знаний в пространстве номинальных и целочисленных признаков (для константного и интервального задания значений целочисленных признаков).

5. Реализация в виде программного модуля ИИС ИМСЛОГ алгоритма принятия решений непосредственно в процессе построения смешанных диагностических тестов на основе безусловных при матричном представлении данных и знаний в пространстве троичных признаков.

Научная новизна. Научная новизна содержится в следующих результатах:

1. Разработаны новые алгоритмы построения смешанных тестов при представлении данных и знаний в пространстве троичных, номинальных и целочисленных признаков.

2. Разработаны новые алгоритмы принятия решений непосредственно в процессе построения смешанных диагностических тестов на основе безусловных тестов в пространстве троичных, номинальных и целочисленных признаков.

3. Получены формулы для вычисления коэффициента разделения, используемого при построении дерева смешанного диагностического теста.

4. Разработаны новые алгоритмы построения безызбыточной двоичной матрицы импликаций, используемой для выявления закономерностей в данных и знаниях в пространстве троичных, номинальных и целочисленных признаков.

Теоретическая значимость. Теоретическая значимость алгоритмов, представленных в диссертационной работе, заключается в следующем:

1. Выведены формулы вычисления коэффициента разделения при построении деревьев смешанных диагностических тестов, позволяющие исключить процедуры реконфигурации деревьев смешанных диагностических тестов.

2. Разработан новый алгоритм принятия решения непосредственно в процессе построения смешанного диагностического теста.

3. Выведена формула вычисления весовых коэффициентов признаков одновременно с построением безызбыточной матрицы импликаций при матричном представлении данных и знаний в пространстве номинальных и целочисленных признаков.

Практическая значимость. Практическая значимость алгоритмов, представленных в диссертационной работе, заключается в следующем:

1. Реализация алгоритмов в системах ИМСЛОГ-ГЕНЕТОН и ИМСЛОГ-ЛУЧ позволила существенно сократить количество запрашиваемых признаков и, тем самым, снизить стоимость принятия решений.

2. Использование систем в учебном процессе позволило повысить качество и стимулы обучения студентов.

3. На основе алгоритмов построения смешанных тестов разработан интеллектуальный интерфейс, который позволил эффективно отображать информацию, необходимую для принятия решений.

Апробация работы. Основное содержание работы отражено в следующих публикациях:

1. Янковская А.Е., Гедике А.И., Аметов Р.В., Блейхер A.M., Гергет О.М., Муратова Е.А., Кузоваткин А.Н. Интеллектуальная система ИМС ЛОГ// Новые информационные технологии в исследовании дискретных структур. Доклады 3-ей Всероссийской конференции с международным участием. -Томск: Изд-во СО РАН, 2000. - С. 169-175.

2. Янковская А.Е. Кузоваткин А.Н. Принятие решений на базе построения целочисленных смешанных диагностических тестов// Научная сессия МИФИ-2002. Сборник научных трудов. Т. 3. - Москва: Изд-во МИФИ, 2002.-С. 53-54.

3. Янковская А.Е., Гедике А.И., Аметов Р.В., Кузоваткин А.Н. Принятие и обоснование решений в комплексе интеллектуальных систем// Интеллектуализация обработки информации (ИОИ-2002). Тезисы докладов международной научной конференции. - Симферополь: Изд-во Крымского научного центра, 2002. - С. 97-98.

4. Янковская А.Е., Кузоваткин А.Н. Построение логических тестов в пространстве k-значных и номинальных признаков в системе распознавания образов// Интеллектуализация обработки информации (ИОИ-2002). Тезисы докладов международной научной конференции. - Симферополь: Изд-во Крымского научного центра, 2002. - С. 98-100.

5. Янковская А.Е., Гедике А.И., Аметов Р.В., Кузоваткин А.Н. Технология представления и обработки знаний на базе инструментального средства ИМСЛОГ-2002// Компьютерная лингвистика и интеллектуальные технологии (Диалог-2002). Труды международного семинара. Т. 2. - М.: Наука, 2002. - С. 555-567.

6. Янковская А.Е., Кузоваткин А.Н. Алгоритмы построения логических тестов в пространстве k-значных и номинальных признаков в системе распознавания образов// Искусственный интеллект. Украина, Донецк: ТПТТТТ "Наука i освгга". - 2002. - № 2. - С 330-337.

7. Кузоваткин А.Н., Янковская А.Е. Интеллектуальная система принятия решений на основе смешанных диагностических тестов// Известия Таганрогского государственного радиотехнического университета. Интеллектуальные САПР. Материалы Международной научно-технической конференции. - 2002. - № 3(26). - С. 5-11.

8. Янковская А.Е., Кузоваткин А.Н. К вопросу минимизации длины смешанного диагностического теста для интеллектуальных распознающих систем// Вторая Международная конференция по проблемам управления. Тез. докладов. Т. 1. - М.: Институт проблем управления, 2003. - С. 158.

9. Янковская А.Е., Кузоваткин А.Н. Принятие решений в интеллектуальном инструментальном средстве ИМСЛОГ-2002 на основе смешанных диагностических тестов// Информационные системы и технологии (ИСТ-2003). Материалы международной конференции. Т. 3. - Новосибирск: Изд-во НГТУ, 2003.-С. 182-186.

10. Yankovskaya А.Е., KuzovatkinA.N. Approbation of constructing algorithms of mixed diagnostic tests and of real knowledge bases decision-making based on matrix model of knowledge representation// Proceedings of 6th International Congress on Mathematical Modeling. - Nizhni Novgorod, 2004.

В публикациях 1, 3, 5 диссертантом изложены программные реализации алгоритма принятия решений непосредственно в процессе построения смешанного диагностического теста для различных версий системы ИМСЛОГ.

В публикации 2 диссертантом изложен алгоритм принятия решений непосредственно в процессе построения смешанных диагностических тестов для представления данных и знаний в пространстве номинальных признаков.

В публикации 4 диссертантом приводится формула коэффициента разделения признаков.

В публикации 6 диссертантом изложены алгоритм построения смешанных диагностических тестов и принятия решений и алгоритм принятия решений непосредственно в процесс построения смешанного диагностического теста для матричного представления данных и знаний в пространстве к-значных признаков.

В публикации 7 диссертантом изложены алгоритм построения смешанных диагностических тестов и принятия решений на их основе и алгоритм принятия решений непосредственно в процессе построения смешанного диагностического теста для матричного представления данных и знаний в пространстве троичных признаков.

В публикации 8 диссертантом приводятся две формулы вычисления коэффициента разделения (простая и модифицированная) и утверждение, из которого следует целесообразность использования модифицированной формулы.

В публикации 9 диссертантом изложены алгоритм построения смешанных диагностических тестов и принятия решений на их основе и алгоритм принятия решений непосредственно в процессе построения смешанного диагностического теста для матричного представления данных и знаний в пространстве троичных признаков с использованием модифицированной формулы вычисления коэффициента разделения.

В публикации 10 диссертантом приведены результаты экспериментального исследования алгоритма принятия решений непосредственно в процессе построения смешанного диагностического теста для матричного представления данных и знаний в пространстве троичных признаков.

Основные положения диссертационного исследования достаточно полно отражены в публикациях диссертанта.

Публикации. Основные результаты диссертации были опубликованы в 10 работах, две из которых - журнальные публикации.

Внедрение результатов

Результаты диссертационной работы были внедрены в Сибирском Государственном медицинском университете (г. Томск) и в Томском Медико-генетическом центре "ГЕНЕТИК".

Работа выполнялась в Томском государственном университете и в лаборатории интеллектуальных систем Томского государственного архитектурно-строительного университета.

Достоверность научных положений и выводов, изложенных в диссертации, подтверждается:

1. Доказательствами утверждений об эффективности предложенных алгоритмов построения смешанных диагностических тестов и принятия решений.

2. Проведенными экспериментальными испытаниями алгоритма принятия решений непосредственно в процессе построения смешанных диагностических тестов на базе безусловных.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав и заключения. Объем работы составляет 106 страниц. Список литературы содержит 91 наименование. Краткое содержание работы.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Кузоваткин, Андрей Николаевич

5.5. Выводы

На основе проведенных испытаний и выявленных закономерностей сделаны следующие выводы о целесообразности построения и использования смешанных диагностических тестов.

1. Больший выигрыш достигается, если количество признаков, входящих в объединение безусловных тестов, существенно больше (желательно в несколько раз) среднего количества признаков, входящих в безусловный тест. В этом случае, при принятии решения отсекается большее количество признаков.

2. Количество запрашиваемых признаков может быть существенно уменьшено в случае, если количество признаков, входящих в безусловную составляющую смешанного теста составляет от трети до половины от количества признаков, входящих в тест. В случае, если количество признаков, входящих в безусловную компоненту меньше трети, то реакция на их значения будет достаточно велика и количество запрошенных признаков будет не сильно отличаться от количества признаков, запрошенных при принятии решения с использованием только условной компоненты.

3. При увеличении количества признаков, входящих в безусловную составляющую появляется вероятность запроса у пользователя "лишнего" (не участвующие в принятии решения) признака.

4. Скорость работы алгоритмов существенно зависит только от количества смешанных тестов, на основе которых принимается решение.

Перед использованием алгоритмов принятия решений, описанных в диссертационной работе, целесообразно выделение оптимального подмножества тестов, соответствующих условиям, перечисленным в предыдущих пунктах настоящих выводов.

ЗАКЛЮЧЕНИЕ

В процессе выполнения диссертационной работы получены следующие результаты.

1. Разработан и программно реализован в системе ИМСЛОГ алгоритм принятия решения непосредственно в процессе построения смешанных диагностических тестов на основе безусловных для представления данных и знаний в пространстве троичных признаков.

2. Разработаны алгоритмы построения СДТ на базе безусловных тестов и принятия решений на их основе для представления данных и знаний в пространстве троичных, номинальных и целочисленных признаков.

3. Создан алгоритм принятия решения непосредственно в процессе построения СДТ на основе безусловных при представлении данных и знаний в пространстве троичных, номинальных и целочисленных признаков.

4. Выведены две формулы коэффициента разделения, позволяющие строить деревья смешанных диагностических тестов меньшей длины.

5. Созданы алгоритмы построения двоичной безызбыточной матрицы импликаций и вычисления весовых коэффициентов признаков при матричном представлении данных и знаний в пространстве целочисленных и номинальных признаков (для константного и интервального задания значений признаков).

6. Проведено тестирование алгоритма принятия решений непосредственно в процессе построения смешанного диагностического теста на 4 реальных базах данных и знаний.

7. Реализованные алгоритмы внедрены в Сибирском государственном медицинском университете и в Томском медико-генетическом центре "ГЕНЕТИК".

Список литературы диссертационного исследования кандидат технических наук Кузоваткин, Андрей Николаевич, 2004 год

1. Агафонов В. Н. Системы, базирующиеся на знаниях: принципы, подходы, инструментальные средства. Новосибирск: НФ ИТМИВТ, 1989. - 60 с.

2. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970. - 383 с.

3. Андерсон Т.В. Введение в многовекторный статистический анализ М.: Физматгиз, 1963. 500 с.

4. Бонгард М.М. Проблема узнавания. Москва.: Наука, 1967. - 320 с.

5. Боровков А.А. Математическая статистика. Новосибирск: Наука, 1997. - 772 с.

6. Вапник В.Н. Алгоритмы обучению распознаванию образов. М.: Сов. Радио, 1973.-200 с.

7. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.-415 с.

8. Васильев В.И. Распознающие системы. Киев: Наукова думка, 1983.422 с.

9. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 382 с.

10. Гольдман Р.С., Москаленко Ю.С. Исследование вопросов различимости объектов по их признаковым описаниям// Логические методы диагноза. -Владивосток, 1975. С. 76-88.

11. П.Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. Некоторые аспекты. М.: Радио и связь, 1985.

12. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшаяшкола, 1989.-231 с.

13. Гренандер У. Лекции по теории образов: В 3 т. М.: Мир, 1979.

14. Гуревич И.Б., Журавлев Ю.И. Минимизация булевых функций и эффективные алгоритмы распознавания// Кибернетика. 1974. - № 3. - С. 16-20.

15. Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений// Дискретный анализ. -Новосибирск, 1966.

16. Журавлев Ю. И. Туляганов Ш.Е. Меры важности объектов в сложных системах// Журнал Вычислительной математики и мат. физики. 1972. -Т. 12.-Ко 1.

17. Журавлев Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов. I-III// Кибернетика. Киев. 1997. - № 4. - С. 14-21; 1977. - № 6. - С. 21-27; 1978. - № 2. - С. 35-43.

18. Журавлев Ю.И. О невозможности построения минимальных нормальных форм функции алгебры логики в одном классе алгоритмов// Докл. АН СССР.- 1960.-Т. З.-С. 132.

19. Журавлев Ю.И., Загоруйко Н.Г. Класс коллективно групповых решающих правил, основанных на дисперсионном критерии компетентности предикторов// Вычислительные системы. Новосибирск. 1998. - Вып. 163.-С. 82-90.

20. Загоруйко Н.Г. Линейные решающие функции, близкие к оптимальным// Вычислительные системы. Новосибирск. 1967. - Вып. 28. - С. 69-79.

21. Загоруйко Н.Г. Методы распознавания и их применения. М.: Сов. Радио, 1972.

22. Искусственный интеллект. В 3-х книгах. Кн. 2. Модели и методы: Справочник/ Под ред. Д.А. Поспелова М.: Радио и связь, 1990. - 304 с.

23. Ковалевский В.А. Корреляционный метод распознавания изображений// Журнал вычислительной математики и мат. физики. 1962. - Т. 2. - № 4. -С. 584-592.

24. Кузнецов И.П. Семантические представления. М.: Наука, 1986. - 290 с.

25. Ларичев О.Г. Теория и методы принятия решений, а также хроника событий в волшебных странах: Учебник. М.: Логос, 2000. - 296 с.

26. Лбов Г.С. Методы обработки разнотипных интеллектуальных данных. — Новосибирск: Наука, 1981. 157 с.

27. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: Пер. с франц./ Тейз А., Гибомон П., Луи Ж. и др. М.: Мир, 1990. - 432 с.

28. Мазуров В.Д. Тягунов Л.И. Метод комитетов в распознавании образов. — Свердловск: изд. Уральск. Отделения АН СССР, 1974. С. 10-40.

29. Мазуров В.Д., Казанцев B.C., Белецкий Н.Г. и др. Вопросы обоснования и применения комитетных алгоритмов распознавания// Распознавание, классификация, прогноз. Математические методы и их применение. М.: Наука, 1989.-Вып. 1.-С. 114-148.

30. Малиновский Л.Г. Классификация объектов средствами дискриминантного анализа. М.: Наука, 1979. - 259 с.

31. Минский М. Фреймы для представления знаний: Пер. с англ. М.: Энергия, 1979.- 150 с.

32. Москаленко Ю.С. Алгоритмические методы построения логических моделей в задачах диагноза естествознания: Автореферат дис. канд. технических наук. Владивосток: ИАПУ, 1977. - 32 с.

33. Орлов В.А. Граф-схемы алгоритмов распознавания (с применением к геофизическим задачам). М.: Наука, 1982. - 120 с.

34. Патрик Э. Основы теории распознавания образов: Пер. с англ. М.: Сов. Радио, 1980.

35. Питерсон Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1998. - 264 с.

36. Попов Э. В. Экспертные системы решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 283 с.

37. Попов Э.В. Экспертные системы. М.: Наука, 1987. - 288 с.

38. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоатомиздат, 1981. 232 с.

39. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989. - 184 с.

40. Растригин Г.И., Эренштейн Р.Х., Метод коллективного распознавания. -М.: Энергоиздат, 1981. 79 с.

41. Растригин Л.А. Эренштейн Принятие решений коллективом решающих правил в задачах распознавания образов// Изв. АН СССР. Сер. Автоматика и телемеханика. 1975. - № 9. - С. 79-88.

42. Саймон Г. Науки об искусственном. М.: Мир. 1972. - 146 с.

43. Слепян В.А. О числе тупиковых тестов и о мере информативности столбца для почти всех таблиц// ДАН СССР, 1970. Т. 191. - № 1. - С. 35-38.

44. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978.-411 с.

45. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов: Пер. с англ. М.: Радио и связь, 1986.

46. Харкевич А.А. Борьба с помехами. М.: Наука, 1965.

47. Чегис И.А., Яблонский С.В. Логические способы контроля электрических схем// Сб. статей по математической логике и ее приложениям к некоторым вопросам кибернетики. Тр. Матем. ин-та им. В.А. Стеклова. — Т. 51.-С. 270-360.

48. Янковская А.Е. К задаче устранения избыточности в матрице кодирования внутренних состояний асинхронного автомата// Автоматизация обработки информации. Томск: Изд-во ТГУ, 1977. - С. 46-51.

49. Янковская А.Е. Оптимизирующие преобразования в процессе синтеза асинхронного автомата и их приложения// МТА SZTAKI TANULMANYOK. BUDAPEST, 99/1980. - С. 212-227.

50. Янковская А.Е. Сокращение числа признаков в распознающих системах// Автоматизированные системы управления хозяйством Томской области. -Томск, 1980.-С. 136-140.

51. Янковская А.Е. Функции различения при анализе БЗ интеллектуальных систем с матричным представлением знаний// Искусственный интеллект 90: Тез. докладов II Всесоюзной конференции - Т. 1. - Минск, 1990. С. 102-105.

52. Янковская А.Е. Представление знаний и алгоритмическое обеспечение для медицины экстремальных ситуаций// Вестник Всесоюзного общества информатики и вычислительной техники. 1991. - № 1. - С. 89-97.

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

54. Янковская А.Е. Об оптимальном сочетании условных и безусловных диагностических тестов в интеллектуальных системах// Искусственный интеллект 96: Сб. научных трудов V Национальной конференции с международным участием. Т. 1. - Казань, 1996. - С. 77-80.

55. Янковская А.Е. Об оптимальном сочетании условных и безусловных диагностических тестов в интеллектуальных системах// Искусственный интеллект 96. Сб. научных трудов V Национальной конференции с международным участием. Т. 1. - Казань, 1996. - С. 77-80.

56. Янковская А.Е., Гедике А.И., Журкина О.В., Ильинских Н.Н. Интеллектуальная система ГЕНЕТОН// Искусственный интеллект 96.

57. Сб. научных трудов V Национальной конференции с международным участием. Т. 3. Казань, 1996. - С. - 508-512.

58. Интеллектуальная система ИМСЛОГ/ А.Е. Янковская, А.И. Гедике, Р.В. Аметов, A.M. Блейхер, О.М. Гергет, Е.А. Муратова, А.Н. Кузоваткин//

59. Новые информационные технологии в исследовании дискретных структур: Доклады 3-ей Всероссийской конференции с международным участием. Томск: Изд-во СО РАН, 2000. - С. 169-175.

60. Янковская А.Е., Тетенев Ф.Ф., Черногорюк Г.Э. Отражение образных представлений специалиста в интеллектуальной распознающей системе патогенеза заболеваний// Компьютерная хроника. 2000. - № 6. - С. 7792.

61. Янковская А.Е. Основы построения и применения смешанных диагностических тестов в интеллектуальной распознающей системе// Сб. научных трудов сессии МИФИ-2001. М., 2001. - С. 98-99.

62. Янковская А.Е., Кузоваткин А.Н. Принятие решений на базе построения целочисленных смешанных диагностических тестов// Научная сессия МИФИ-2002. Сборник научных трудов. Т. 3. Москва, 2002. - С. 53-54.

63. Янковская А.Е., Кузоваткин А.Н. Алгоритмы построения логических тестов в пространстве k-значных и номинальных признаков в системе распознавания образов// Искусственный интеллект. Украина, Донецк: 1ПШ1 "Наука i освгга". 2002. - № 2. - С 330-337.

64. Янковская А.Е. Синтез смешанных логических тестов на основе ускоренных шагово-циклических алгоритмов спуска// Математические методы распознавания образов (ММРО-11). Доклады 11-й Всероссийской конференции. Москва, 2003. - С. 224-226.

65. Juravlev Yu.I. An algebraic approach to recognition or classification problems// Pattern recognition and Image Analysis. 1998. - No. 8 (10). - P. 59-100.

66. Yankovskaya A.Ye., Gedike A.I. Theoretical Base, Realization and Application of the Intelligent System EXAPRAS// Proceedings East-West Conference on Artificial Intelligence (EWAIC'93). From Theory to Practice. -Moscow, Russia, 1993. P. 248-252.

67. Yankovskaya A.Ye., Gedike A.I. Application of the Intelligent System EXAPRAS for Education// Proceedings of the International Conference on

68. Computer Technologies in Education (ICCTE'93). Ukraine, Kiev, 1993. - P. 168-169.

69. Yankovskaya A.E. An Automaton Model, Fuzzy Logic, and Means of Cognitive Graphics in the Solution of Forecast Problems// Pattern Recognition and Image Analysis. 1998. - Vol. 8, No. 2. - P. 154-156.

70. Yankovskaya A.E., Gedike A.I. Construction and Evaluation of Compressed Descriptions of Patterns in an Intelligent Recognizing System// Pattern Recognition and Image Analysis. 1999. - Vol. 9, No. 1. - P. 124-127.

71. Yankovskaya A., Gedike A. Finding of All Shortest Column Coverings of Large Dimension Boolean Matrices// Proceedings of the First International Workshop on Multi-Architecture Low Power Design (MALOPD). Moscow, 1999.-P. 52-60.

72. Yankovskaya A.E. The Test Pattern Recognition with Genetic Algorithms Use// Proceedings of the Pattern Recognition and Image Understanding. 5th Open German-Russian Workshop. Germany, Herrshing. - 1999. - P. 47-54.

73. Yankovskaya A.E. Logical Tests in Knowledge-Based recognizing system// Pattern Recognition and Image Analysis. 2001. - Vol. 11, No. 1. - P. 127.

74. Yankovskaya A.E. Bleikher A.M. Optimization of tests synthesis on the base of descent algorithms with the use of genetic transformations// Radioelectronics & Informatics. 2003. - No. 3 (24). - P. 51-55.

75. Yankovskaya A.E., Gedike A.I., Ametov R.V., Bleikher A.M. IMSLOG-2002 Software Tool for Supporting Information Technologies of Test Pattern Recognition// Pattern Recognition and Image Analysis. 2003. - Vol. 13. -No. 4. - P. 650-657.