Эволюционно-аппроксимационные методы и алгоритмы распознавания динамически изменяющихся образов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Гимаров, Владимир Александрович

• Гимаров, Владимир Александрович
• кандидат технических наук
• 2001

Оглавление диссертации кандидат технических наук Гимаров, Владимир Александрович

Введение.

Глава 1. Современное состояние научных исследований по распознаванию образов.

1.1. Содержательная и математическая постановки задачи распознавания.

1.1.1. Распознавание образов с учителем и без учителя.

1.1.2. Признаки.

1.1.3. Решающие правила и риск потерь.

1.1.4. Изменчивость реализаций образов.

1.2. Анализ современных методов распознавания образов.

1.2.1. Классификация методов распознавания.

1.2.2. Детерминиские методы.

1.2.3. Статистические методы.

1.2.4. Лингвистические методы.

1.2.5. Нейросетевые методы.

1.2.6. Методы с использованием теории нечетких множеств.

1.2.7. Другие методы распознавания.

1.3. Постановка цели и задач исследований.

1.4. Выводы по главе.

Глава 2. Эволюционно-аппроксимационные методы и алгоритмы распознавания динамически изменяющихся образов.

2.1. Нейросетевой метод.

2.2. Локальные методы и алгоритмы.

2.2.1. Метод коллективного распознавания.

2.2.2. Метод с использованием элементов нечеткой логики.

2.2.3. Методы и алгоритмы локально-аппроксимационного типа.

2.3. Метод и алгоритм прогнозируемых эталонов.

2.3.3. Сущность метода.

2.3.4. Модификации метода.

2.3.5. Критерии проверки динамичности задачи распознавания.

2.4. Выводы по главе.

Глава 3. Разработка комплекса программ распознавания динамически изменяющихся образов.

3.1. Архитектура и обобщенный алгоритм функционирования комплекса программ ишс1а88.

3.2. Подсистема универсальных программных средств комплекса программ.

3.3. Выводы по главе.

Глава 4. Применение эволюционно-аппроксиммационных методов распознавания динамически изменяющихся образов для решения прикладных задач.

4.1. Автоматизированная система тестирования водителей транспортных средств «Машинист».

4.1.1. Архитектура и программная реализация комплекса программ ТЕЗТМАСН.

4.1.2. Результаты применения комплекса программ ТЕ8ТМАСН и инструкция пользователя.

4.2. Компьютерная система поддержки принятия инновационных решений.

4.2.1. Архитектура и программная реализация компьютерной системы поддержки принятия инновационных решений.

4.2.2. Результаты применения компьютерной системы поддержки принятия инновационных решений и инструкция пользова

4.3. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Эволюционно-аппроксимационные методы и алгоритмы распознавания динамически изменяющихся образов»

Задача распознавания образов в своей классической постановке достаточно давно и хорошо изучена. Ее основной особенностью является неизменность во времени классов (образов) распознавания. Между тем, более естественной представляется ситуация, когда данные классы являются динамически изменяющимися, т.е. когда они эволюционируют во времени. Примерами могут служить биологические объекты (очевидно, любой человек в юности и в старости - это два совершенно разных образа и т.п.), объекты техники (если рассматривать эволюцию их развития), объекты природы (вид ландшафта и т.д.).

Методы распознавания таких динамически изменяющихся образов, если судить по изученным литературным источникам, отсутствуют. Данное обстоятельство, а также большая практическая значимость задачи распознавания, в частности, для систем поддержки принятия решений, обосновывают актуальность научной проблемы, связанной с разработкой и исследованием указанньгк методов.

Цели диссертационной работы. Разработать и исследовать эволю-ционно-параметрические методы распознавания образов, динамически изменяющихся во времени. Разработать быстродействующие алгоритмы и комплексы программ, реализующие математические модели эволюционно-параметрического классификатора, и позволяющих решать задачи распознавания в сложных технических и социально-экономических системах.

Применить разработанные быстродействующие алгоритмы и комплексы программ эволюционно-параметрического распознавания в системе тестирования машинистов железнодорожных локомотивов для прогнозирования функциональных возможностей человека-оператора выполнять свои функции, а также в системе поддержки принятия решений для прогнозирования технико-экономических показателей аппаратурно-технических средств сотовой связи с целью выбора оптимальных инновационных решений.

Для реализации указанной цели поставлены и решены следующие задачи:

1) анализ существующих методов распознавания образов;

2) обоснование и математическая формулировка задачи распознавания динамически изменяющихся образов;

3) определение математических условий, при выполнении которых задача распознавания образов относится к классу динамических задач,

4) разработка и исследование методов распознавания динамически изменяющихся образов;

5) разработка комплекса программ, реализующего распознавание динамически изменяющихся образов;

6) применение разработанного комплекса программ для исследования сложных технических и социально-экономических систем.

Методы исследования в диссертации; методы классической теории распознавания образов, теории оптимизации, нечеткой логики, нейронных сетей, и методы имитационного моделирования.

Достоверность научных результатов, выводов и рекомендаций, сформулированных в диссертации, определяется корректным применением теории распознавания образов, теории оптимизации, нечеткой логики, нейронных сетей и методов имитационного моделирования.

Обоснованность теоретических разработок подтверждена, вычислительными экспериментами на персональных компьютерах (ПК) и реальными натурными экспериментами , результаты которых позволяют сделать вывод об адекватности разработанных математических моделей.

Научная новизна работы заключается в следующем.

1. Впервые сформулированы содержательная и математическая постановки трех типов задач распознавания динамически изменяющихся образов, которые отображают задачи классификации интерполяционного и экстраполяционного типов, а также задачу экстраполяции в область.

2. Сформулированы математические условия, при выполнении которых исследуемая задача распознавания должна рассматриваться как задача динамического типа.

Зт-v u и с» и Разработан нейросетевой метод решения данной задачи, позволяющий учитывать временную эволюцию характеристик исследуемых классов.

4. Предложены эволюционно-аппроксимационные метод и алгоритм распознавания динамически изменяющих образов локального типа на базе коллектива правил с использованием элементов нечеткой логики, отличающиеся от известных возможностью учета временного фактора, что позволяет более точно определять области компетенции.

5. Впервые разработаны методы и алгоритмы распознавания динамически изменяющих образов на основе локально-аппроксимационного подхода, которые позволяют решать задачи классификации при сложной разделяющей классы поверхности, минимуме априорной информации об исследуемой системе и незначительном объеме хранимых экспериментальных данных.

6. Предложен экстраполяционный алгоритм распознавания динамически изменяющихся образов на основе прогнозирования эталонов, который позволяет исследовать динамику изменения границ и характеристик кластеров с течением времени.

7. Изучены свойства разработанных эволюционно-аппроксимационных методов и алгоритмов распознавания, определены области их применения, что позволяет обеспечить существенное повышение эффективности классификации.

8. Разработан обобщенный алгоритм функционирования программного комплекса, реализующего функции распознавателя, который характеризуется высокой степенью универсальности, что позволяет использовать его для решения задач классификации в технической и социально-экономической областях с уменьшенным риском ошибки распознавания.

9. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 5.0 разработаны комплекс программ UNICLASS для решения задач динамической классификации и комплекс программ TESTMASH, обеспечивающий программную поддержку аппаратурно-программной системы тестирования машинистов железнодорожных локомотивов «Машинист».

Ю.Комплекс программ UNICLASS является универсальным классификатором и может быть использован в системах поддержки принятия решений.

11 .Проведена серия вычислительных экспериментов по проверке работоспособности комплекса UNICLASS , результаты которых показали возможность повышения качества распознавания, прогноза и принимаемых решений.

12.Эксплуатационная проверка программного комплекса TESTMASH автоматизированной тестирующей системы «Машинист» показала, что его использование позволяет повысить точность прогноза и значительно сократить время обучения системы.

Реализация результатов работы. Разработанные программные комплексы и научно-обоснованные рекомендации по их применению практически используются в системе поддержки принятия решений в ОАО «Мобильные ТелеСистемы», что позволило повысить качество принимаемых инновационных решений по развитию мобильных средств связи, и в автоматизированной системе тестирования машинистов локомотивов подвижного состава в Смоленском отделении Московской ж/д, что позволяет повысить уровень безопасности при эксплуатации железнодорожного транспорта . Методологические и теоретические результаты работы используются в учебном процессе филиала Московского энергетического института в г.Смоленске и Смоленской Государственной медицинской академии.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на 14-й Международной конференции «Математические методы в технике и технологиях» (Смоленск, 2001), 6-й Международной школе молодых ученых (Смоленск, 2001), Межвузовском семинаре « Актуальные вопросы управления техническими и экономическими системами» (Смоленск, 2001), 2-й Всероссийской конференции «Ресурсосбережение и экологическая безопасность» (Смоленск, 2001), Областной конференции « Современные проблемы энергетики» (Смоленск, 2001), также на семинарах в РХТУ им Д.И.Менделеева, филиале Московского энергетического института в г.Смоленске , Смоленской Государственной медицинской академии и Военном университете обш,евойсковой ПВО МО РФ.

Публикации. По теме диссертации опубликовано 16 печатных работ. В работах, написанных в соавторстве, Гимарову В.А. принадлежат все результаты, касаюш;иеся теоретических и методических аспектов создания математических динамических распознавателей, а также результаты, относящиеся к практической реализации и применению разработанных методов распознавания.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 94 наименований и приложений. Диссертация содержит 189 стр. машинописного текста, 37 рисунков, 7 таблиц и 7 приложений.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Гимаров, Владимир Александрович

Основные результаты работы заключаются в следующем.

1. Сформулированы предпосылки и постановка задачи распознавания динамически изменяющихся образов, а также три ее разновидности.

2. Показана возможность использования для решения поставленной задачи нейросетевого подхода, выработаны меры по его адаптации.

3. Определены условия, при которых задача распознавания может рассматриваться как динамическая, исследованы общие показатели точности рассматриваемых распознавателей.

4. Предложены и проанализированы алгоритмы построения динамических классификаторов на основе методов локальной аппроксимации, голосования с использованием элементов нечеткого вывода.

5. Разработан и исследован метод прогнозируемых эталонов, предназначенный для решения прогнозных задач распознавания.

6. Разработан комплекс профамм, как универсальных, так и специализированных, реализующих предлагаемые подходы к моделированию. Работоспособность программ проверена на модельных примерах и на реальных статистических данных.

168

7. С помощью разработанных теоретических методов и программных средств проведено исследование ряда прикладных задач.

Совокупность теоретических и практических результатов диссертационной работы создает объективные предпосылки для широкого и эффективного применения разработанных алгоритмов построения динамических классификаторов и их последующего использования для решения задач распознавания в различных предметных областях.

Автор считает своим приятным долгом выразить глубокую признательность своем научному руководителю д.т.н., профессору В.П. Мешалкину и научному консультанту д.т.н., профессору М.И. Дли за ценные рекомендации, которые были учтены при написании данной работы, а также коллективам УМЦ Логистики и экономической информации и Смоленского филиала МТС за помощь в подборе фактического материала.

ЗАКЛЮЧЕНИЕ

Выполненный комплекс теоретических и экспериментальных исследований предлагаемых методов представляет собой расширение теории распознавания на случай динамически изменяющихся образов.

В результате проведенной работы осуществлено комплексное решение научной проблемы разработки новых и адаптации существующих методов построения классифицирующих моделей в условиях изменения характеристик классов и выработки рекомендаций по их практическому использованию.

Список литературы диссертационного исследования кандидат технических наук Гимаров, Владимир Александрович, 2001 год

1. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

2. Распознавание образов: состояние и перспективы/К. Верхаген, Р. Дёйн, Ф. Труп и др. М.: Радио и связь, 1985.

3. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979.

4. Патрик Э. Основы теории распознавания образов. М.: Сов. радио, 1980.

5. Лбов Т.е., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. Новосибирск: Изд-во Ин-та математики, 1999.

6. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во Ин-та математики, 1999.

7. Кузин Л.Т. Основы кибернетики: В 2-х т. Т.2. Основы кибернетических моделей. М.: Энергия, 1979.

8. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001.

9. Заде Л. Понятие лингвистической переменной и ее применения. М.: 1976.

10. Ю.Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.11 .Планирование эксперимента в исследовании технологических процессов/ К. Хартман, Э. Лецкий, В. Шефер и др. М.: Мир, 1977.

11. Круг Т.К., Кабанов В.А., Фомин Г.А. Планирование эксперимента в задачах нелинейного оценивания и распознавания образов. М.: Наука, 1981.

12. Цьшкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.

13. И.Васильев В.И. Распознающие системы. Киев: Наукова думка, 1969.

14. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы // Автоматика и телемеханика. 1964. №6. С. 917-936.

15. Браверман Э.М. О методе потенциальных функций // Автоматика и телемеханика. 1965. № 12. С. 2205-2213.

16. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучающих машин. М.: Наука, 1970.

17. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.

18. Автоматический анализ сложных изобретений. Сб. переводов под ред. Э.М. Бравермана. М.: Мир, 1969.

19. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

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

21. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

22. Галушкин А.И. О современных направлениях развития нейрокомпьютеров // Нейрокомпьютер. 1997. № 1, 2. С. 5-22.24.3митрович А.И. Интеллектуальные информационные системы. Минск: НТОО "ТетраСистемс", 1997.

23. Корнеев В.В., Гареев А.Ф., Васютин СВ., Райх В.В. Базы данных. Интеллектуальная обработка информации. М: "Нолидж", 2000.

24. Логовский A.C. Зарубежные нейропакеты: современное состояние и сравнительные характеристики // Нейрокомпьютер. 1998. № 1,2. С. 1326.

25. Галушкин А.И. Современные направления развития нейрокомпьютеров // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 1998. № I.e. 12-26.

26. Zadeh L. A. Fuzzy Sets // Information and Control. 1965. Vol. 8. P. 338-353.

27. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе. В кн.: Классификация и кластер. М.: Мир, 1980. С. 208-247.

28. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова . М.: Наука, 1986.

29. ЗКБлишун А.Ф., Знатнов Ю.С. Обоснование операций теории нечетких множеств // Сб. науч. тр. "Нетрадиционные модели и системы с нечеткими знаниями". М.: Энергоиздат, 1991. С. 21-23.

30. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

31. Нечеткие множества и теория возможностей. Последние достижения / Под ред. P.P. Ягера. М.: Радио и связь, 1986.

32. Прикладные нечеткие системы/ Под ред. Т. Терано, К. Асаи, М. Сугэ-но. М.:Мир, 1993.

33. Дьяконов В.П., Круглов В.В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001.

34. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5 с пакетами расширений. М.: "Нолидж", 2001.

35. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969.

36. Дуда P.O., Фоссум X. Классификация образов посредством последовательно определяемых линейных и кусочно-линейных разделительных функций. В кн.: Техническая кибернетика за рубежом. М.: Машиностроение, 1968. С. 34-58.

37. Аоки М. Введение в методы оптимизации. М.: Наука, 1977.

38. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. М.: Энергия, 1975.

39. Перельман И.И. Оперативная идентификация объектов управления. М.: Энергоиздат, 1982.

40. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК "Наука / Интерпериодика"), 1999.

41. Дли М.И., Круглов В.В. Применение метода локальной аппроксимации при построении алгоритмических моделей объектов управления //ВестникМЭИ. 1998.№6. С. 109-111.

42. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физ-матлит, 2000.

43. Дли М.И. Распознавание образов с применением метода локальной интерполяции. М.: Деп. в ВИНИТИ. 1997. № 3117-В97.

44. Растригин Л. А., Эренштейн Р.Х. Коллектив решаюгцих правил как метод классификации // Тезисы Межд. симпозиума "Теоретические проблемы распознавания образов и ситуаций". Варна, 1972. С. 29-30.

45. Растригин Л.А., Эренштейн Р.Х. О принятии решений коллективом решаюгцих правил // Приборостроение. 1973. № 11. С. 31-35.

46. Растригин Л.А., Эренштейн Р.Х. Об оптимальном разнообразии коллектива линейных решаюш;их правил. В кн.: Адаптивные системы. Вып. 3. Рига: Зинатне, 1973. С. 25-34.

47. Растригин Л.А., Эренштейн Р.Х. Коллектив алгоритмов для обобш;ения алгоритмов решения задач // Техническая кибернетика. 1978. № 2. С. 116-126.

48. Растригин Л.А., Эренштейн Р.Х. Принятие решений коллективом решающих правил в задачах распознавания образов // Автоматика и телемеханика. 1975. № 9. С. 134-144.

49. Растригин Л. А., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981.

50. Репин В.Г., Философов Л.В. Об оптимальном совместном использовании алгоритмов распознавания // Радиотехника и электроника. 1969. № 6. С. 73-78.

51. ЗЗ.Больдур Дж. О групповом принятии региений. В кн.: Социология в математике. Новосибирск: СО АН СССР, 1970. С. 16-28.

52. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974.

53. Бонгард М.М. Проблема узнавания. М.: Наука, 1967.

54. Зб.Браверман Э.М., Аркадьев А.Г. Обучение машины классификации объектов. М.: Наука, 1971.

55. Цьшкин Я.З. Основы теории обучаюш;ихся систем. М.: Наука, 1970.

56. Ковалевский В.А. Методы оптимальных решений в распознавании изобретений. М.: Наука, 1976.

57. Васильев В.И., Коноваленко В.В., Горелов Ю.И. Имитационное управление неопределенными объектами. Киев: Наукова думка, 1989.

58. Лигун А.А., Мальшева А.Д. Математическая обработка результатов эксперимента. Днепродзержинск: ДИИ, 1992.бГИвахненко А.Г. Долгосрочное прогнозирование и управление сложными объектами. Киев: Техника, 1975.

59. Ивахненко А.Г. Моделирование сложных систем: информационный подход. Киев: Наукова думка, 1987.

60. Дьяконов В.П. Компьютер в быту. Смоленск: Русич, 1996.

61. Дьяконов В.П. Мой Pentium. М.: ООО "Издательство АСТ-ЛТД", 1998.

62. Yoshiko Н., Shunji U., Taiko К. Evaluation of artificial neural network classifiers in small sample size situations // Pros. Int. It. Conf. Neural Networks. Nagoja, 1993. P. 1731-1735.

63. Archer Norman P. Wang Shonhong. Learning bias in neural networks and an approach to controlling its effects in monotonic classifications // IEEE Trans. Pattern Anal. andMach. Intell. 1993. № 15. V.9. P. 962-966.

64. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.

65. Галушкин А.И. Нейронные сети и проблема малой выборки // Тез. докл. IV Всероссийской конф. "Нейрокомпьютеры и их применение". М.: ИЛУ РАН, 1998. С. 399-400.

66. Widrow В., Lehr М.А. 30 Years of Adaptive Neural Networks: Perceptron Madaline and Backpropagation // Artificial Neural Networks: Concepts and Theory: IEEE Computer Society Press. 1992. № 9. P. 327-354.

67. Круглов B.B., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

68. Круглов В.В. Функциональное сходство систем нечеткого вывода и искусственных нейронных сетей // Сб. трудов 14-й междун. научн. конф. "Математические методы в технике и технологиях ММТТ - 14". Т.2. Смоленск, 2001. С. 163-165.

69. Тихонов В.И. Статистическая радиотехника. М.: Радио и связь, 1982.

70. Нейронные сети. STATISTICA Neural Networks. М.: Горячая линия -Телеком, 2000.

71. Вентцель Е.С. Теория вероятностей: Учеб. для вузов. 6-е изд. стер. М.: Высшая школа, 1999.

72. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

73. Катовник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

74. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.

75. Директор С, Рорер Р. Введение в теорию систем. М.: Мир, 1974.

76. Сигорский В.П. Математический аппарат инженера. Киев: Техника, 1975.

77. SO.Kyo Б. Теория и проектирование цифровых систем управления М.: Машиностроение, 1986.

78. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. М.: Лаборатория Базовых Знаний, 2000.

79. Козырев O.A., Богачев P.C. Диагностическая тактика при возможных нарушениях сердечного ритма у лиц молодого возраста// Российский кардиологический журнал. 1998.№6. С.43-46.

80. Zwietermg Р., Knottaems А., Gorgels Т., Rinkens Р. Occurrence of arrhythmias in general practice // Scand. J. Prim. Health Care.1996. Vol.14. P.244-250

81. Дли М.И., Окунев Б.В., Гимаров B.B. Об одном подходе к решению задачи экстраполяции в область// Новые информационные технологии в науке и образовании// мат. 2-го гор. семин., Смоленск, 2000. С.24.

82. Дли М.И., Гимаров В.А. Применение метода локальной аппроксимации в задаче распознавания образов // Сб. науч.тр. «Современные проблемы управления». Смоленск: СФМЭИ; 1999. С.12-15.

83. Дли М.И., Гимаров В.А., Гимаров В.В. Задача распознавания динамически изменяющихся образов: формулировка задачи и перспективы решения.// Программные продукты и системы , 2001, №3. С. 29-31.

84. Гимаров В.А., Дли М.И. К вопросу о точности и достоверности результатов использования непараметрических моделей // Математические методы в технике и технологиях- ММТТ-14: Сб.трудов Междунар. на-уч.конф. Т.2. Смоленск, СФМЭИ, СГГУ,2001. С.223-224.

85. Гимаров В.А. Система поддержки принятия решений на основе локаль-но-аппроксимационных моделей // Математические методы в технике и технологиях ММТТ-14: Сб.трудов Междунар. науч.конф. Т.4. Смоленск, СФМЭИ, СГПУ,2001. С. 109-111.

86. Гимаров В.А., Гимаров В.В. Нейросетевые методы распознавания динамически изменяющихся образов// Актуальные вопросы управления176техническими и экономическими системами: Сб.трудов межвуз. сем., Смоленск: Воен. ун-т ОВПВО МО РФ.2001 .С.3-5.

87. Дли М.И., Гимаров В.А. Метод коллективного распознавания с использованием нечетких описаний// Актуальные вопросы управления техническими и экономическими системами: Сб.трудов межвуз. сем., Смоленск: Воен. ун-т ОВПВО МО РФ.2001.С.6-7.

88. Гимаров В.А., Дли М.И., Битюцкий С.Я. Методы распознавания дина-мачески изменяющихся образов/ Моск. энерг. ин-т. (филиал в г.Смоленске).Смоленск.2001. Деп. В ВИНИТИ РАН, №1615-В2001.36 с.

89. Гимаров В.А., Дли М.И., Гимаров В.В., Битюцкий С.Я. Программа распознавания динамически изменяющихся образов СЬАЗМод. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 65487320 от 25.09.2001.

90. Мешалкин В.П., Гимаров В.А., Дли М.И. Эволюционно-апроксимационные методы распознавания экологических ситуаций// Ресурсосбережение и экологическая безопасность: Сб.докл. 3-й Все-рос.науч. конф.,Смоленск, 2001. С.45-46.

91. Гимаров В.А., Мешалкин В.П., Программная система поддержки принятия инновационных решений // Актуальные вопросы современной энергетики: тез.докл. обл.науч.-практ. конф., Смоленск, 2001.С.7.177