Анализ и адаптивное управление в недетерминированных средах на основе самообучения тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Стасевич, Владимир Павлович

• Стасевич, Владимир Павлович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Стасевич, Владимир Павлович

Определения.

Введение.

Глава 1 Способы построения самообучающихся систем управления объектами в недетерминированной среде.

1.1 Постановка задачи синтеза адаптивной системы управления.

1.1.1 Принятие решений об управляющих воздействиях.

1.2 Классификация адаптивных систем управления.

1.3 Системы управления объектами в недетерминированной среде.

1.3.1 Обучение с подкреплением. Основные положения.

1.3.2 Q- обучение.

1.3.3 Сети адаптивной критики.

1.3.4 Достоинства и недостатки существующих алгоритмов обучения с подкреплением.

1.4 Самообучаемые системы с самомодифицирующимися правилами.

1.4.1 Методика самомодифицирующихся правил.

1.4.2 Базовый алгоритм самомодифицирующихся правил.

1.4.3 Применение «Внутреннего учителя» Шумковым Е. А.

1.5 Выводы.

Глава 2 Метод построения самонастраивающейся системы управления на основе топологии «внутренний учитель».

2.1 Исходные условия.

2.2 Пример задачи.

2.3 Принцип обучение самообучению.

2.3.1 Структура.

2.3.2 Решатель.

2.3.3 Компонента обратной связи.

2.3.4 Учитель.

2.3.5 Реактивные правила самообучения.

2.3.6 Про-активные правила самообучения.

2.3.7 Взаимодействие компонент.

2.4 Способы реализации метода в прикладных задачах.

2.4.1 Алгоритм разработки правил самообучения.

2.4.2 Приоритетность адаптационных параметров.

2.4.3 Коэффициент степени уверенности.

2.5 Топология «внутренний учитель» с использованием нечеткого вывода.

2.5.1 Начальные данные.

2.5.2 Использование нечеткого вывода Мамдани.

2.6 Топология «внутреннего учителя» в сравнении с известными методиками.

2.7 Выводы.

Глава 3 Самообучающиеся системы управления на основе топологии «внутренний учитель».

3.1 Система управления комплексом лифтов.

3.1.1 Комплекс лифтов.

3.1.2 Алгоритм управления лифтами по расписанию.

3.1.3 Адаптивная система управления комплексом лифтов.

3.1.4 Результаты функционирования адаптивной системы управления комплекса лифтов.

3.2 Система управления мобильным роботом.

3.2.1 Разработка СУ.

3.2.2 Адаптивная система управления мобильным роботом.

3.2.3 Результаты функционирования адаптивной системы управления мобильным роботом.

3.3 Адаптивные автоматизированные банковские системы.

3.3.1 Предпосылки построения автотрейдера.

3.3.2 Адаптивный автотрейдер.

3.4 Выводы.

Глава 4 Исследование результатов функционирования систем управления.

4.1 Анализ результатов, преимущества и недостатки методики.

4.1.1 Методологические преимущества.

4.1.2 Недостатки методики.

4.2 Пути дальнейшего совершенствования.

4.3 Выводы.

Введение диссертации (часть автореферата) на тему «Анализ и адаптивное управление в недетерминированных средах на основе самообучения»

В последнее время одними из актуальных становятся задачи связанные с объектами или комплексами объектов, действующих в недетерминированных средах. Актуальность обуславливается развитием технологий, усложнением объектов, а также стремлением автоматизировать процессы, ранее производимые с помощью человека. Разработка автоматизированных систем позволяет снизить риски, связанные с непосредственным участием человека в процессах (когда речь идет об опасных средах), удешевить эти процессы, а также уменьшить ошибки, связанные с участием человека. Существует большой класс задач, при решении которых недетерминированным характером среды пренебрегали, - среды рассматривались как детерминированные. При рассмотрении среды как недетерминированной открывается потенциал для улучшения решения задач за счет ранее неиспользуемых возможностей (подстройка к среде и т.д.). Участие человека в указанных выше процессах возможно как в непосредственном виде (например, выполнение каких-либо погрузочных операций, задачи сборочных операций и т.д.), так и в виде оператора объектом управления (например, оператор мобильного робота, оператор манипулятора и т.д.). Таким образом, возникают две задачи: роботизация процессов и автоматизация управления. Задачи роботизации успешно решаются внедрением мехатронных систем в производства, технологические процессы и непроизводственные установки. Задачи автоматизации приобретают актуальность по следующим причинам. В большинстве случаев, управление объектами в недетерминированных средах выполняется людьми-операторами. Однако существуют задачи, при которых человек-оператор справляется с управлением недостаточно хорошо. Один из примеров таких задач являются задачи, в которых оператор не имеет право на ошибку (операции спасения людей, боевые роботы, медицинские роботы). Второй пример, - задачи, в которых невозможно обеспечить достаточную пропускную способность канала связи управления (некоторые мобильные роботы, боевые роботы, автономные роботы). Третий пример, - задачи, в которых невозможно обеспечить достаточное количество людей-операторов или использование людей-операторов будет неоправданно дорогим (системы распределения ресурсов, программные агенты). Таким образом, задача создания систем автоматического управления (СУ) объектами в недетерминированных средах является актуальной.

Приведем примеры задач, в которых прослеживаются вышеназванные нами черты.

Мобильные автономные роботы (рисунок В.1).

Мобильные автономные роботы, действующие в опасных средах без предварительного их исследования, сталкиваются в процессе работы с заранее непредсказуемыми обстоятельствами. Примерами являются роботы, действующие в зараженных областях, роботы-саперы и т.д. Полная автономность робота может быть достигнута лишь в случае применения автономной СУ. Задачи построения автоматизированных СУ мобильными автономными роботами решались ранее [29,35].

Мобильные роботы-грузчики (рисунок В.2).

СУ мобильными роботами-грузчиками должна отрабатывать несколько одновременных запросов потребителей склада, с возможностью ограничения различных потребителей по приоритетам. Непредсказуемость порядка и моментов поступления запросов потребителей относят эту задачу к разряду рассматриваемых в данной работе. Автоматизация управления роботами-грузчиками необходима для удешевления процесса обслуживания потребителей. Подобные задачи решались ранее в работах [14,29].

Комплекс лифтов в многоэтажном здании (рисунок В.З).

1 j * ч \ j i • i — — "■"'I' " i j j — i 4 j ! 1 i ■ i

Рисунок В.З - Комплекс лифтов в многоэтажном здании

СУ комплексом лифтов в больших зданиях, перевозящих множество пассажиров, должна иметь способность адаптироваться к изменению пассажиропотока в течение дня, затрачивать минимальное время на перевозку каждого пассажира. Пассажиропоток является недетерминированной величиной. Применение автоматизированная СУ необходимо для удешевления поддержки системы. Задачи подобного рода решались в работах [70].

Программные роботы-агенты, собирающие необходимую информацию в сети Internet (рисунок В.4).

Рисунок В.4 - Программные роботы-агенты

Агенты, собирающие информацию в глобальных информационных сетях должны адаптироваться к заранее неизвестным структурам сетей и предоставлять сервис оптимального поиска информации. Применение неавтоматизированной СУ в данном классе задач невозможно. Недетерминированность глобальных сетей относит эту задачу в класс задач, находящихся в рассмотрении данной работы. Подобные задачи решались в работах [32,55], однако адаптируемых агентов, рассматривающих среду как недетерминированную, предложено не было.

Комплекс светофоров на сложных перекрестках (рисунок В.5). I

Рисунок В.5 - Комплекс светофоров

Сложные перекрестки регулируются комплексом светофоров. Поток автотранспорта в принципе непредсказуем, следовательно СУ должна действовать в недетерминированной среде. Применение неавтоматизированной СУ (милиционер-постовой) не всегда оправданно с точки зрения эффективности управления, а также дорого.

Система распределения ограниченных ресурсов (рисунок В.6).

Рисунок В.6 - Система распределения ограниченных ресурсов

Распределение ограниченных ресурсов между заранее неизвестным количеством клиентов накладывает ограничение на СУ компонентом распределения ресурсов. Проблемой при управлении подобными системами является дороговизна применения человека-оператора. Задачи подобного класса решались в работах [22,52,125,127,151].

Таким образом, основная проблема при создании автоматизированной СУ для рассматриваемого класса задач заключается в невозможности построить математическую модель среды.

Однако, недетерминированные среды, не обладая свойствами предсказуемости, обладают, тем не менее, некоторыми закономерностями. В выявлении этих закономерностей в процессе работы системы заключен потенциал адаптации СУ к среде. СУ будет адаптироваться к среде (рисунок В.7), накапливая опыт управления и анализируя влияния управляющих воздействий на объект и на реакции среды. Таким образом, данная работа рассматривает недетерминированные среды, обладающими выявляемыми закономерностями (среды, воздействие которых нельзя предсказать заранее, но характер воздействия которых определен). В связи с тем, что подстройка СУ занимает определенное время, необходимо, чтобы закономерности среды менялись медленнее, чем система успевает подстраиваться под эти изменения.

Процесс управления в подобных средах может быть оценен при помощи критериев эффективности. Максимизация критерия эффективности является задачей СУ. При этом СУ должна выполнять конкретную задачу управления. Данная работа ставит перед собой цель разработать метод построения таких адаптивных СУ, которые выполняют задачу управления и максимизируют критерий качества управления, выявляя закономерности недетерминированной среды в процессе работы.

СУ

Рисунок В.7 - СУ - среда Задачами данной работы являются: а) Исследование существующих методик построения адаптивных СУ объектами в недетерминированных средах; б) Разработка метода адаптивного управления объектами в недетерминированных средах с такими свойствами:

1) гарантированным выполнением задачи управления (отсутствие права на ошибку, метод проб и ошибок не применим);

2) автономность (отсутствие дообучения экспертом в процессе работы);

3) режим работы в реальном времени.

4) Провести экспериментальные исследования результатов работы СУ; выявить достоинства и недостатки метода; оценить эффективность предложенных метода обучения и топологии.

В качестве модельной задачи будет рассмотрен мобильный робот, с составным гусеничным движителем.

Актуальность этой диссертационной работы заключается в следующем:

- Метод построения СУ позволит строить адаптируемые системы управления в недетерминированных средах;

- Результаты проведенного в работе исследования позволяют отработать подходы к созданию адаптивных СУ.

Содержание диссертационной работы отражает реализацию поставленных задач. В первой главе проведено исследование существующих СУ. Показана целесообразность использования метода обучения обучения с подкреплением и проведен анализ существующих методов этого типа (Q-обучение, сети адаптивной критики и других), методов, основанных на использовании нейронных сетей, рассмотрена методика построения самомодифицирующихся правил - СМП. Выявлены достоинства и недостатки существующих методов. Предложено в качестве реализации использовать аппарат нечеткой логики, построенный на нейронных сетях.

Во второй главе обоснован и описан метод создания топологии «внутренний учитель». Разработанный метод обучения самообучения позволяет обучить нейросеть на небольшом количестве примеров, а также дообучать (переобучать) в режиме реального времени по мере поступления новой информации, без участия эксперта (впрочем, последний может корректировать процесс обучения). Это позволяет использовать данный метод для моделирования динамических процессов, в которых наибольшую достоверность имеют наиболее актуальные данные, или процессов, для которых, на начальном этапе, не представляется возможным создать обучающее множество необходимого размера. За счет использования принципов обучения с подкреплением система выполняет задачу с заданным показателем качества. Использование метода обучения самообучению предоставляет системе уникальную возможность изменения стратегии и тактики поведения в зависимости от совокупного влияния среды и объекта друг на друга, основываясь на информации о подкреплении.

В третьей главе разработана система управления мобильным роботом в недетерминированной среде. Спроектирована топология системы. Исследована проблематика управления мобильным роботом, сформулированы правила управления объектом и их адаптационные параметры. Разработаны правила самообучения системы. Сформулированы описания правил управления и самообучения в терминах нечеткой логики. Спроектирована топология нейросетей, реализующая эти правила. Выбран алгоритм обучения нейросетей. Спроектирован макет СУ и описана ее реализация. Спроектирована СУ комплексом лифтов. Разработаны правила управления и самообучения. Спроектированы топологии нейросетей, выбран алгоритм обучения нейросетей. Спроектирована СУ автотрейдером фондового рынка.

В четвертой главе проведено сравнение результатов анализа функционирования СУ, построенной при помощи топологии «внутренний учитель», классической нейронной сети с алгоритмом СМП и традиционных методов управления. Также рассмотрены возможные пути дальнейшего развития метода. Показано, что использование топологии «внутренний учитель» позволит поднять средний уровень подкрепления СУ на 15-20%, что повышает качество работы СУ в целом.

В заключении описаны выводы и результаты проделанной работы.

Задачи исследования решены с использованием методов теории искусственных нейронных сетей, системного анализа, нечеткой логики.

Научная новизна исследования заключается в следующем:

- разработано решение по применению метода обучения самообучению в системах управления в недетерминированных средах;

- нейросетевая топология «внутренний учитель» адаптирована к использованию в управлении в недетерминированных средах;

- предложена модель топологии «внутренний учитель» на основе нечеткой логики;

- разработана схема управления комплексом лифтов многоэтажного здания с применением «внутреннего учителя»;

- разработан адаптивный автотрейдер фондового рынка с применением метода обучение самообучению и «внутреннего учителя».

Практическая значимость работы заключается в создании практического метода построения адаптивных СУ в недетерминированных средах. Разработан адаптивный автотрейдер фондового рынка.

Эффективность метода подтверждена при разработке СУ мобильным роботом и СУ комплексом лифтов.

Основной материал работы опубликован в 6 научных статьях и 3 тезисах докладов. Имеется патент на изобретение.

Диссертация состоит из введения, четырех разделов, заключения, списка использованной литературы и приложений. Ее общий объем составляет 170 страниц текста, содержащего 3 таблицы и 38 рисунков.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Стасевич, Владимир Павлович

4.3 Выводы

Преимущества метода построения СУ с использованием метода обучения самообучению заключаются в выявлении и использовании потенциала адаптации среды и ОУ. При этом метод обучения самообучения наиболее полно реализует свой потенциал при управлении в недетерминированных средах. Важным достоинством метода является возможность его достаточно широкого применения в разных классах задач.

Выявлены следующие недостатки метода: отсутствие гарантированного роста подкрепления, трудоемкость внедрения в конкретных реализациях.

Экспериментально выявлено, что подкрепления СУ, построенных с использованием обучения самообучения, больше подкрепления классических СУ в среднем на 5-15%.

Заключение

В данной диссертационной работе ставились несколько задач. Объект в недетерминированной среде должен вести себя указанным способом:

- метод обучения самообучению в применении в СУ в недетерминированных средах выполняет задачу с достаточным качеством. Система способна адаптироваться в процессе управления;

- топология Внутреннего учителя, использованная в работе, дополненная про-активными правилами самообучения, позволяет строить адаптивные СУ, выполняющие задачи управления;

- СУ, построенная с применением «внутреннего учителя» действует более эффективно, чем классические системы;

- адаптивный автотрейдер фондового рынка позволяет достичь существенных преимуществ в сравнении с классическими решениями;

- экспериментальные результаты действия СУ, построенных с применением «внутреннего учителя», больше классических на 515% (в зависимости от применения и потенциала адаптации).

Предложенная топология «внутреннего учителя» позволяет реализовать такое поведение СУ объектом.

Предложенная методика позволяет использовать системный подход при построении СУ. Процессы адаптации и управления рассматриваются как единые процессы жизни системы. Система не разбивается искусственно на отдельные части. Недостаток того, что обычно обучением системы занимаются эксплуатирующие специалисты, мы также преодолели. Система самообучается в процессе работы. Методика обучения самообучению более выигрышна, по сравнению с существующими методиками построения систем управления, что показывает анализ результатов работы СУ.

Результаты данной диссертационной работы могут быть использованы для решения различных научных и технических задач, связанных с управлением в недетерминированных средах, в области робототехники и в смежных областях.

Список литературы диссертационного исследования кандидат технических наук Стасевич, Владимир Павлович, 2007 год

1. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. - № 3. - С. 72-77.

2. Анил К. Джейн, Жианчанг Мао, К.М. Моуддин. Введение в искусственные нейронные сети // Открытые системы. 1997. - № 4. - С. 16 - 24.

3. Ариб М. Алгебраическая теория автоматов, языков и полугрупп: Пер. с англ. М.: Статистика, 1975. - 254 с.

4. Армстронг Р. Семь этапов оптимизации производительности хранилища данных // Открытые системы. 2002. - № 1. - С. 51 - 54.

5. Беседы по автоматике / Под ред. д.т.н. П.И. Чинаева. Киев: 1971. - 278 с.

6. Брауэр Б. Введение в теорию конечных автоматов: Пер. с англ. М.: Радио и связь, 1987. - 272 с.

7. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. М.: "Издательство Бином", 1999. - 560 с.

8. Бэстенс Д.Э., Ван ден Берг В.М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. -236 с.

9. Вайну Я. Ф. Корреляция рядов динамики. М.: Статистика, 1977. - 119 с.

10. Волькштейн М. В. Биофизика: Учебное руководство. М: Наука, Гл. ред. физ. - мат. лит., 1988. - 592 с.

11. Воротников С. А. Информационные устройства и системы. Часть I. Учебное пособие. М.: Изд. МГТУ, 1995. - 64 с.

12. Вукобратович М., Стокич Д., Кирчински Н. Неадаптивное и адаптивное управление манипуляционными роботами. М.: Мир, 1989. - 376 с.

13. Галушкин А.И. О Современных направлениях развития нейрокомпьютеров // Информационные технологии. 1997. - № 5. - С. 2-5.

14. Галушкин А.И., Кирсанов Э.Ю. Нейронные системы памяти. Часть 1. М.: Изд-воМАИ, 1991.- 178 с.

15. Галушкин А.И., Кирсанов Э.Ю. Нейронные системы памяти. Часть 2. М.: Изд-воМАИ, 1991.-214 с.

16. Галушкин. А.И. Нейрокомпьютерные системы. М.: Издательское предприятие журнала "Радиотехника", 2000. - 205 с.

17. Гарбар П. Организация отказоустойчивого хранилища // Открытые системы. 2002. - № 4. - С. 56 - 61.

18. Глушков В. М. Теория автоматов и вопросы проектирования структур цифровых машин // Кибернетика. 1965. - № 1. - С. 3 -11.

19. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере Новосибирск: Наука, Сибирская издательская фирма РАН, 1996. - 276 с.

20. Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ. 1993. - № 5. - С. 174 - 178.

21. Де Марк Т. Технический анализ новая наука. - М.: Диаграмма, 1997. - 122 с.

22. Джейн А. К., Мао Ж., Моиудцин К. М. Введение в искусственные нейронные сети // Открытые системы. 1997. - № 4. - С. 16 - 24.

23. Долматова JI.M. Что считать результатами обучения: интерполяция зависимостей посредством анализа топологии обученной нейронной сети // Известия РАН. Теория и системы управления. 1996. - № 5. - С. 71 - 75.

24. Доререр М.Г. Психологическая интуиция искусственных нейронных сетей: Дис. канд. техн. наук. Красноярск, 1998. - 126 с.

25. Ежов А., Чечеткин В. Нейронные сети в медицине // Открытые системы. -1997.-№4.-С. 34-37.

26. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М: ФИАН, 1998. - 222 с.

27. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. - 368 с.

28. Ермоленко В.В. Разработка нейросетевой базы знаний интеллектуальной автоматизированной системы мониторинга образовательного процесса: Дис. канд. техн. наук. Краснодар, 1996. - 130 с.

29. Заенцев И. В. Нейронные сети: основные модели. Учебное пособие. -Воронеж: ВГУ, 1998. 76 с.

30. Зенкевич С. Л., Ющенко А. С., Управление роботами. М.: Изд. МГТУ, 2000. - 400 с.

31. Змиртович А.И. Интеллектуальные информационные системы. Мн.: НТООО "ТетраСистемс", 1997. - 368 с.

32. К.М. Моуддин // Открытые системы. 1997. - № 4. - С. 16 - 24.

33. Каляев И.А., Гайдук А.Р., Капустян С.Г. Распределенные системы планирования действий коллективов роботов. 1997. - 114 с.

34. Капица С. П., Курдюмов С. П., Малинецкий Г. Г. Синергетика и прогнозы будущего. М.: Наука, 1997. - 286 с.

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

36. Ключко В. И., Стасевич В. П., Шумков Е. А. Патент №20031338197/09(041224). "Интеллектуальный контроллер с нейронной сетью и правилами самомодификации"

37. Ключко В. И., Стасевич В. П., Шумков Е. А. Сети адаптивной критики // Труды КубГТУ. 2003. - №2. - С. 86 - 91.

38. Конечные автоматы: эквивалентность и поведение / Иванов Н. Н., Михайлов Г. И., Руднев В. В., Таль А. А. М.: Наука, 1984. - 278 с.

39. Крастинь О. П. Разработка и интерпретация моделей корреляционных связей в экономике. Рига: Зинатне, 1983. - 156 с.

40. Кречетов Н. Продукты для интеллектуального анализа данных // Рынок программных средств. 1997. - № 14-15. - С. 32-39.

41. Крыжановский М.В. Принципы нейроподобной реализации систем Автономного Адаптивного Управления / ИПУ РАН. Москва, 2004. - 15 с.

42. Кузнецов С. Хранилища данных в начале века // Открытые системы. 2002. - №1.-С. 35-36.

43. Кузьминов О.А., Смолицкий X.JL,Франков М.Ф. Сравнительный анализ линейных методов обучения нейронных сетей // Известия ВУЗов. 1996. -№1. - С. 15-17.

44. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. -Владивосток: Изд-во ДВГАЭУ, 1998. 200 с.

45. Лобов Н.А. Пассажирские лифты грузоподъемностью 400 и 630 кг. М.: Издательство МГТУ им. Н.Э. Баумана, 1999. - 351 с.

46. Марчук Г.И. Методы вычислительной математики. 3-е изд. М.:Наука,1989- 608 с.

47. Меладзе В. Курс технического анализа М.: Серебряные нити, 1997. - 272 с.

48. Методы анализа нелинейных динамических моделей / Холодниок М. и др. -М.: Высшая школа, 1994. 256 с.

49. Мкртчян С. О. Нейроны и нейронные сети. М: Энергия, 1971. - 232 с.

50. Мошков М.Ю. О глубине деревьев решений // Доклады РАН. М., 1998. -С. 26.

51. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. М.: Инфра-М, 1995. - 176 с.

52. Обучение нейронной сети при помощи алгоритма фильтра Калмана // VIII Всероссийская конференция "Нейрокомпьютеры и их применение", НКП -2002: Труды конференции / Бутенко А. А. и др. Москва, 2002. - С. 105.

53. Педерсен Т., Йенсен К. Технология многомерных баз данных // Открытые системы. 2002. - № 1. - С. 45 - 50.

54. Питерсон Дж. Л. Теория сетей Петри и моделирование систем: Пер. с англ.- М.: Мир, 1984.-264 с.

55. Соколов Е.Н., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. - 238 с.

56. Сорос Дж. Алхимия финансов: Пер. с англ. Аристова Т.С. М.: ИНФРА-М, 1999.-416 с.

57. Стасевич В. П., Шумков Е. А. Построение адаптивных систем управления на основе топологии "Внутренний учитель". // Инновационные процессы в высшей школе: Материалы IX Всероссийской научно практической конференции. - Краснодар: КубГТУ, 2003. - С. 136.

58. Стасевич В. П., Шумков Е. А., Ключко В, И., Воротников С. А. Адаптивные системы на основе самообучающихся нейросетей // Труды КубГТУ. 2002. - Вып.2. - С. 192 - 198.

59. Стасевич В.П. Новый принцип построения самообучаемых систем управления // Экстремальная робототехника: Материалы XIV Научно-технической конференции. Санкт-Петербург: СПбГТУ, 2004.

60. Стасевич В.П., Воротников С.А. Использование нейросетевых структур для управления динамическими объектами в недетерминированной среде // Экстремальная робототехника: Материалы XII Научно-технической конференции. Санкт-Петербург: СПбГТУ, 2002.

61. Стасевич В.П., Зуева В.Н., Шумков Е.А. Обучение и самообучение в адаптивных системах управления // Известия вузов. Северо-Кавказский регион. Технические науки. 2006. - Вып. июнь. - С. 134 - 137.

62. Стасевич В.П., Зуева В.Н., Шумков Е.А. Построение адаптивных АБС // Интеллектуальные системы: Труды Седьмого международного симпозиума / под ред. К. А. Пупкова. Краснодар, 2006.

63. Стасевич В.П., Зуева В.Н., Шумков Е.А. Построение адаптивных АБС с применением обучения самообучению // Известия вузов. СевероКавказский регион. Технические науки. 2006 - №2. - С. 76 - 79.

64. Стасевич В.П., Шумков Е.А. Новый принцип построения самообучаемых систем управления // Нейрокомпьютеры и их применение: Труды VIII конференции. Москва, 2002 - С. 1037 - 1039.

65. Степанов В. Фондовый рынок и нейросети // Мир ПК. 1998. - №12. - С. 40 -46.

66. Страуструп Б. Язык программирования С++. 3-е изд. - СПб.: "Невский диалект", 1999. - 991 с.

67. Сураджит Чаудхури, Умешвар Дайал, Венкатеш Гаити. Технология баз данных в системах поддержки принятия решений // Открытые системы -2002.-№1.-С. 37-44.

68. Суровцев И. С., Клюкин В. И., Пивоварова Р. П. Нейронные сети. -Воронеж: ВГУ, 1994. 224 с.

69. Тимофеев А. В. Адаптивные робототехнические комплексы. Л.: Машиностроение, 1988. - 332 с.

70. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992.-240 с.

71. Цуприков С. Нейронные вычисления берутся на вооружение финансистами // Банковские системы. 1995. - №7. - С. 57 - 58.

72. Шумков Е. А., Семенов С. С. Нейросетевая моделирующая система NNWizard. Инновационные системы в высшей школе // VIII Всероссийская научно-практическая конференция: Материалы. -Краснодар: Изд. КубГТУ, 2002. С. 129.

73. Шустер Г. Детерминированный хаос. Введение. М.: Мир, 1988. - 240 с.

74. Эрлих А. Технический анализ товарных и фондовых рынков. М.: Юнити, 1996.-215 с.

75. Яковлев B.JL, Яковлева Г.Л., Лисицкий Л.А. Применение нейросетевых алгоритмов к анализу финансовых рынков // Информационные технологии. 1997.-№8.-С. 35 -36.

76. Яковлев B.JI., Яковлева Г.Л., Малиевский Д.А. Нейросетевая экспертная система управления портфелем банка // V Всероссийская конференция "Нейрокомпьютеры и их применение": Сборник докладов. М., 1999. - С. 291 -294.

77. Berry D.A., Fristedt В. Bandit Problems: Sequential Allocation of Experiments.- London: Chapman and Hall. 1985.

78. Brand E., Gerritsen R. Data Mining and Knowledge Discovery // DBMS. 1998. -N.11(9). -P.52.

79. Campos J., Lewis F.L. Adaptive critic neural network for feedforward compensation // American control conference: In Proc. June 1999. San Diego, California, 1999.

80. Chaitin G.J. On the length of programs for computing finite binary sequences: statistical considerations // Journal of the ACM. N.16. - 1969. - P. 145 - 159.

81. Classification and Regression Trees / L. Breiman et al. Boca Raton, Fla.: Chapman & Hall/CRC, 1984.

82. Cliff D., Ross S. Adding temporary memory to ZCS // Adaptive Behavior. N.3.- 1994.-P. 101-150.

83. Codd E.F., Codd S.B., Salley C.T. Providing OLAP (on-line analytical processing) to user-analysts: An IT Mandate: Technical report / Arbor Software White Paper. 1993.

84. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tabb, and Sub Totals / Gray J. et al. // Data Mining and Knowledge Discovery J.: Apr. 1997. 1997.

85. Declarative Data Cleaning: Model, Language, and Algorithms / H. Galhardas et al. // VLDB Conf., Morgan Kaufmann. San Francisco, 2001.

86. Donnart J.Y., Meyer J.A. Learning Reactive and Planning Rules in a Motivationally Autonomous Animat // IEEE Transactions on Systems, Man and Cybernetics. N.26(3). - 1996. - P. 381 - 395.

87. Gallant S.I. Neural Network Learning and Expert Systems. Cambridge: MA, 1993.

88. Gaskett C., Fletcher L., Zelinsky A. Reinforcement Learning for Visual Servoing of a Mobile Robot. Canberra: ANU, ACT, 2000.

89. Gittins J. C. Multi-armed Bandit Allocation Indices. Wiley-Interscience series in systems and opti-mization. NY: Wiley, Chichester, 1989.

90. Han J. OLAP Mining: An Integration of OLAP with Data Mining // IFIP Conf. Data Semantics: Proc. Fla.: Chapman & Hall/CRC, Boca Raton, 1997.

91. Han J., Kamber M. Data Mining: Concepts and Techniques. San Francisco: Morgan Kauffinann, 2001.

92. Hernandez M., Stolfo S. The Merge/Purge Problem for Large Databases // Proc. SIGMOD Conf. 1995. New York: ACM Press, 1995.

93. Implementing Data Cubes Efficiently // SIGMOD Conf.: In Proc. / V. Harinarayan et al. New York: CAN Press, 1996.

94. Induction: Processes of Inference, Learning, and Discovery / Holland J.H., Holyoak K.J., Nisbett R.E., Thagard P. Cambridge: MIT Press, 1986. - 416 p.

95. Intelligent Systems for Finance and Business; Edited By Suran Goonatilake and Philip Treleaven. John Wiley & Sons Inc., 1995.

96. J. Schmidhuber. A neural network that embeds its own meta-levels // International Conference on Neural Networks: In Proc. 1993. San Francisco: IEEE, 1993.

97. J. Schmidhuber. A self-referential weight matrix // International Conference on Artificial Neural Networks: In Proceedings 1993. Amsterdam: Springer, 1993. -P. 446-451.

98. J. Schmidhuber. Discovering neural nets with low Kolmogorov complexity and high generalization capability // Neural Networks. 1997.

99. J. Schmidhuber. Evolutionary principles in self-referential learning, or on learning how to learn: the meta-meta-. Hook / Institut fur Informatik, Technische Universitat Munchen. Munchen, 1987.

100. J. Schmidhuber. On learning how to learn learning strategies // Technical Report FKI-198-94 / Fakultat fur Informatik, Technische Universitat Munchen. 1994.

101. J. Schmidhuber. Reinforcement learning in Markovian and non-Markovian environments // Advances in Neural Information Processing Systems 3 / Editors Lippman D. S., Moody J. E., Touretzky D. S. San Mateo, CA: Morgan Kaufmann, 1991.-P. 500-506.

102. Kimball R., Merz R. The Date Webhouse Tookit: Building the Web-Enabled Data Warehouse. New York: John Wiley & Sons, 2000.

103. Kolmogorov A.N. Three approaches to the quantitative definition of information // Problems of Information Transmission. 1965. - N.l. - C. 4-7.

104. L. A. Levin. Randomness conservation inequalities: Information and independence in mathematical theories // Information and Control. 1984. -N.61.-P. 15-37.

105. L. A. Levin. Universal sequential search problems // Problems of Information Transmission. 1973. - N.9(3). - P. 265 - 266.

106. L. Chrisman. Reinforcement learning with perceptual aliasing: The perceptual distinctions approach // In Proceedings of the Tenth International Conference on Artificial Intelligence. San Jose, California: AAAI Press, 1992. - P. 183-188.

107. L.J. Lin. Reinforcement Learning for Robots Using Neural Networks: PhD thesis. Pittsburgh: Carnegie Mellon University, 1993.

108. L.P. Kaelbling, M.L. Littman, A.R. Cassandra. Planning and acting in partially observable stochastic domains // Technical report / Brown University, Providence RI. 1995.

109. Learning to learn: knowledge consolidation and transfer in inductive systems / R. Caruana, D. L. Silver, J. Baxter, Т. M. Mitchell, L. Y. Pratt, S. Thrun. -Workshop held at NIPS-95. Vail, CO, 1995.

110. Lenat D. Theory formation by heuristic search // Maching Learning. N.21. -1983.

111. Li M., Vit? anyi P. M. B. An Introduction to Kolmogorov Complexity and its Applications. Springer, 1993.

112. Loading Databases Using Dataflow Parallelism / Barclay Т., Barnes R., Gray J., Sundaresan P.: Vol.23, No.4 SIGMOD Record, 1994.

113. M. B. Ring. Continual Learning in Reinforcement Environments: PhD thesis. -Austin, Texas: University of Texas at Austin, 1994.

114. M. Boddy and T. L. Dean. Deliberation scheduling for problem solving in time-constrained environments // Artificial Intelligence. 1994. - N.67. - P. 245 - 285.

115. M. Wiering, J. Schmidhuber. HQ-Learning: Discovering Markovian subgoals for non-Markovian reinforcement learning // Technical Report: IDSIA-95-96, IDSIA. 1996.

116. M.A. Wiering, J. Schmidhuber. Solving POMDPs with Levin search and EIRA // Thirteenth International Conference: In Proc. / L. Saitta, editor. San Francisco, CA: Morgan Kaufmann Publishers, 1996. - P. 534 - 542.

117. On the Computation of Multidimensional Aggregates / S. Agrawal et al. // VLDB Conf.: In Proc. San Francisco: Morgan Kaufmann, 1996.

118. P. R. Kumar, P. Varaiya. Stochastic Systems: Estimation, Identification, and Adaptive Control / Prentice Hall. 1986.

119. P. S. Rosenbloom, J. E. Laird, A. Newell. The SOAR Papers / MIT Press. -1993.

120. P. Utgoff. Shift of bias for inductive concept learning // Machine Learning, volume 2 / R. Michalski, J. Carbonell, T. Mitchell, editors. Los Altos, CA: Morgan Kaufmann, 1986. - P. 163 - 190.

121. Parsaye K. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. 1998. - N.l.

122. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997.-N.2.

123. Piaget J. Genetic Epistemology. New York: Colambia University Press, 1970.

124. Prokhorov D., L. A. Feldcamp. Generalized adaptive critic and their applications // IJCNN'99, session 6.5. Washington D. C., 1999.

125. Prokhorov D., Wanch D. Adaptive critic designs // IEEE transactions on Neural Ne.tworks: September 1997. 1997. - P. 997 - 1007

126. R. Greiner. PALO: A probabilistic hill-climbing algorithm // Artificial Intelligence. 1996. -N.83(2).

127. R. S. Sutton. Learning to predict by the methods of temporal differences // Machine Learning. 1988. - N3. - P. 9 - 44.

128. R. Sutton and A. Barto. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998. - 432 p.

129. R.H. Crites, A.G. Barto. Improving elevator performance using reinforcement learning // Advances in Neural Information Processing Systems 8 / D.S. Touretzky, M.C. Mozer, M.E. Hasselmo, editors. Cambridge MA: MIT Press, 1996.-P. 1017- 1023.

130. R.J. Solomonoff. A formal theory of inductive inference. Part I. // Information and Control. 1964. - N.7. - P. 1 - 22.

131. R.J. Solomonoff. An application of algorithmic probability to problems in artificial intelligence // Uncertainty in Artificial Intelligence / L. N. Kanal, J. F. Lemmer, editors. Elsevier Science Publishers, 1986. - P. 473 - 491.

132. Ralph Kimball. The Data Warehouse Toolkit: Practical Techniques for Building Dimensional Data Warehouses. John Wiley & Sons, 1996.

133. S. Russell, E. Wefald. Principles of Metareasoning // Artificial Intelligence. -1991. N.49. - P. 361 -395.

134. S. Sarawagi. User Adaptive Exploration of OLAP Data Cubes // VLDB Conf.: In Proc. San Francisco: Morgan Kaufmann, 2000.

135. S.D. Whitehead, D. H. Ballard. Active perception and reinforcement learning // Neural Computation. 1990. - N.2(4). - P. 409 - 419.

136. Schmidhuber J., Zhao J., Schraudolph. Reinforcement Learning with self -modifying policies // Learning to learn / S. Thrun, L. Pratt, eds. Kluwer, 1997. - P. 293 - 309.

137. Shavlik J. W. An overview of research at Wisconsin on knowledge-based neural networks // Int. conf. on neural networks: In Proc. Washington, DC, 1996. - P. 65 - 69.

138. Touzet C.F. Neural networks and Q-learning for robotics // International Joi.nt Conference on Neural Networks: 10-16 July 1999. Washington, DC, 1999

139. Tsitolovsky L.E. A model of motivation with chaotic neuronal dynamics // Journ. of Biological Systems, V. 5. 1997. - N.2. - P. 301 - 323.

140. V. Ganti, J. Gehrke, R. Ramakrishann. Mining Very Large Data Sets / Computer. Aug. 1999.

141. Watkins C.J.C.H., Dayan P. Q-learning // Machine learning. N.8. - 1992. - P. 279 - 292.

142. Werbos P. J. Stable adaptive controlusing new critic design // In The handbook of applied computational intelligence / Karayiannis, Padgett, Zadeh, eds. CRC Press.

143. Wolpert D.H. The lack of a priori distinctions between learning algorithms // Neural Computation. N8(7). - 1996. - P. 1341 - 1390.

144. ЖДАЮ: це-президент Ситибанк > Попов А. А. августа 2006г.1. АКТвнедрения результатов диссертации на соискание ученой степени кандидата технических наук Стасевича Владимира Павловича1. Состав комиссии:

145. Попов Андрей Александрович заместитель главного бухгалтера ЗАО «КБ Ситибанк», Вице-президент, председатель комиссии

146. Хромченко Георгий Яковлевич бизнес-аналитик ЗАО «КБ Ситибанк», член комиссии

147. Быков Олег Михайлович руководитель группы разработки приложений ЗАО «КБ Ситибанк», член комиссии

148. Практическое внедрение научных результатов по теме диссертации осуществлялось Стасевичем В.П. под научным руководством к. т. н., доцента Шумкова Е.А.