Интегрированные системы поддержки принятия решений сложных трудноформализуемых задач: По прогнозированию, управлению и диагностике тема диссертации и автореферата по ВАК РФ 05.13.09, доктор технических наук Токарев, Вячеслав Леонидович

• Токарев, Вячеслав Леонидович
• доктор технических наук
• 2000

Оглавление диссертации доктор технических наук Токарев, Вячеслав Леонидович

Введение.

1. АНАЛИЗ, КЛАССИФИКАЦИЯ И ОБОБЩЕНИЕ МЕТОДОВ ИССЛЕДОВАНИЯ СЛОЖНЫХ СИСТЕМ.

1.0. Введение.

1.1. Проблема принятия решения сложных задач.

1.2. Сложные системы и их свойства.

1.3. Классификация трудноформализуемых задач.

1.4. Проблемы поддержки решения сложных задач.

1.5. Общие структуры ИРС.

1.6. Структура ИСППР.

1.7. Теоретический базис и место теории обеспечения рациональности решений в общей системе научных дисциплин.

1.8. Выводы.

2. ОСНОВЫ ПРИБЛИЖЕННОЙ ФОРМАЛИЗАЦИИ СЛОЖНЫХ СИСТЕМ.

2.0. Введение.

2.1. Задача приближенной формализации.

2.2. Представление данных.

2.3. Представление критериев.

2.4. Представление моделей сложных систем.

2.5. Частные приближенные модели.

2.6. Концепция формализации сложных систем.

2.7. Уточнение частной приближенной модели.

2.8. Выводы.

3. ФОРМИРОВАНИЕ ЗНАНИЙ ДЛЯ ИСППР.

3.0. Введение.

3.1. Представление знаний в ИСППР.

3.2. Общая задача формирования знаний для ИСППР.

3.3. Общий алгоритм формирования знаний.

3.4. Алгоритм формирования закономерностей.

3.5. Формирование фактических знаний.

3.6. Выводы.

4. МЕТОДЫ ПОСТРОЕНИЯ ЧАСТНЫХ ПРИБЛИЖЕННЫХ МОДЕЛЕЙ.

4.0. Введение.

4.1. Построение функциональной модели.

4.2. Построение логической модели.

4.3. Построение функционально-логических моделей.

4.4. Построение нечетких моделей.

4.5. Построение лингвистических (продукционных) моделей.

4.6. Моделирование алгоритмов построения приближенных моделей.

4.7. Выводы.Р.

5. АЛГОРИТМЫ ПОДДЕРЖКИ ПРИНЯТИЯ НЩНЕНИЙ ПО УПРАВЛЕНИЮ, ПРОГНОЗИРОВАНИЮ И ДИАГНОСТИКЕ.

5.0. Введение.

5.1. Задача получения решения на основе приближенной модели

5.2. Поддержка решений по управлению на основе приближенной модели.

5.3. Поддержка решений по диагностике на основе приближенной модели.

5.4. Прогнозирование состояния сложной системы.

5.5. Экспериментальная проверка предложенных алгоритмов.

5.6. Выводы.

6. КОМБИНАТОРНАЯ ОПТИМИЗАЦИЯ В ИСППР И ОЦЕНКА РАЦИОНАЛЬНОСТИ РЕШЕНИЙ.

6.0. Введение.

6.1. Формализация и решение комбинаторных задач.

6.2. Оценка полезности вариантов решения.

6.3. Выводы.

7. ПРИМЕРЫ РЕШЕНИЙ НЕКОТОРЫХ ЗАДАЧ СРЕДСТВАМИ ИСППР.

7.0. Введение.

7.1. Поддержка решений по медицинской диагностике.

7.2. Поддержка решений в задачах анализа изображений.

7.3. Поддержка решений в задаче обнаружения сигнала.

7.4. Применение ИСППР для поддержки решения задач управления технологическими процессами.

7.5. Выводы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.

Введение диссертации (часть автореферата) на тему «Интегрированные системы поддержки принятия решений сложных трудноформализуемых задач: По прогнозированию, управлению и диагностике»

Устойчивой тенденцией развития современных процессов, протекающих в сфере человеческой деятельности (социальной, экономической, биотехнической, медицинской, технологической), становится усложнение задач, которые приходится решать на различных уровнях управления. Это связано с ростом объемов разнородной информации, необходимой для обоснованного принятия решений, и с сокращением времени, имеющегося для принятия решений. Особенно это актуально для современной медицины.

Для повышения качества принимаемых решений в этих условиях все шире применяются интеллектуальные решающие системы (ИРС), на которые перекладываются не только процедуры подготовки информации, но и процедуры непосредственной подготовки (а иногда и принятия) решений различных задач. К таким системам относятся так называемые системы поддержки принятия решений (СГ1ПР), используемые в основном для решения дискретных задач - выбора по многим количественным и качественным критериям какой либо альтернативы из заданного дискретного множества; системы ситуационного управления (ССУ), используемые в основном для решения задач дискретного управления на основе результатов интерпретации ситуаций объектами, структура, свойства и основные процессы функционирования которых, не описаны формально; экспертные системы (ЭС), используемые в основном для решения различных дискретных трудноформализуемых задач - в диалоге с пользователем на основе накопления и переработки знаний (некоторых правил решения задач данного класса) и данных, относящихся к данной предметной области.

Однако область применения таких ИРС не охватывает сложные трудноформализуемые задачи, сложность формализации которых вызвана неопределенностью системы - объекта задачи, неформализованностью цели или выбора алгоритмов решения. К таким задачам, в частности, относятся: прогнозирование состояния сложной системы на заданный интервал времени, управление процессом функционирования сложной системы, быстрая диагностика нарушений, возникающих в системе и им подобные. Общей особенностью таких задач является сложность систем (или процессов), относительно которых принимается решение. Основными признаками сложных систем являются: уникальность, слабая предсказуемость, целенаправленность, многомерность, разнотипность данных, в среде которых функционирует система; сложность или невозможность полной формализации процессов в системе из-за априорной неопределенности. Решение задач относительно таких систем невозможно без учета закономерностей, в соответствии с которыми протекают основные процессы. Такие задачи требуют для их решения не только методов дискретной оптимизации и эвристических методов, но и методов выявления закономерностей функционирования сложных систем, теории оптимального прогнозирования, управления и ряда других.

Вследствие того, что указанные задачи объективно существуют в различных областях деятельности человека, в диссертации определяется обобщенный класс объектов исследования, к которому могут быть отнесены сложные трудноформализуемые задачи, типичными примерами которых могут служить задачи прогнозирования, управления и диагностики, а также интеллектуальные решающие системы, предназначенные для поддержки их решения .

Внедрение ИРС для решения сложных задач затрудняется следующими проблемами:

1. Сложные задачи, как правило, являются априорно неформализованными из-за сложности формализации с требуемой точностью или из-за недостатка информации, необходимой для обеспечения адекватности формальной модели исследуемому процессу.

2. Информация о состоянии системы и тенденции ее развития сосредоточена в значениях разнотипных переменных: не только количественных, но и качественных, для обработки которых не может быть использовано большинство известных методов извлечения полезной информации.

3. Обеспечение в условиях априорной неопределенности рациональности получаемых решений, то есть таких решений, которые удовлетворяют заданным ограничениям на качество решений.

Анализ принципов эволюционного развития интеллектуальных решающих систем показал, что на каждом его этапе состав и характеристики таких систем определялись на основании личного опыта разработчиков с учетом существующей и рекомендуемой к применению номенклатуры программных и аппаратных средств.

Данное обстоятельство противоречит принципам системного подхода к проектированию ИРС, в соответствии с которыми все функции системы должны быть связаны в единый технологический процесс, подчинены одной цели обеспечить в заданных условиях рациональное решение задачи, т.е. решение близкое к оптимальному. Соблюдение принципов системного подхода возможно лишь на основе научного обоснования методов, моделей и алгоритмов рациональных решений сложных задач, т.е. таких, как прогнозирование состояния сложной системы, управление ею или диагностика ее развития или неисправности. Следовательно, научные исследования и разработка теории обеспечения рациональности решений, получаемых средствами ИРС, являются актуальными.

Проведенные за последние пять лет исследования [1,2] показали, что качественно новый уровень задач, появившихся в последнее время, требует для их решения не только методов дискретной оптимизации и эвристических методов, но и методов выявления закономерностей функционирования сложных систем, применения методов теории оптимального прогнозирования, управления и ряда других. Решение таких задач возможно средствами интегрированных систем поддержки принятия решений (ИСППР), позволяющих не только поддерживать решения по эвристическим правилам, заложенным в систему экспертами - специалистами в данной предметной области, но и генерировать самостоятельно правила решения на основе приближенной модели исследуемой системы, относительно которой принимается решение. Известные такие системы содержат в базе знаний модели, отражающие основные закономерности исследуемой системы, с жестко заданной структурой, т.е. система должна быть априорно формализована.

Однако специфика решения трудноформализуемых задач указанного класса, требует, чтобы проектируемая компьютерная система базировалась не на моделях заранее заданной жесткой структуры, а на моделях с настраиваемой структурой. Это сделает систему гибкой, достаточно универсальной, и, кроме того, оставит за пользователем свободу участия в процедуре синтеза моделей в соответствии с собственной логикой рассуждений, в которой отражаются его накопленный опыт, интуиция, предпочтения. В то же время система будет достаточно строгой, потому что использует некоторые конкретные правила анализа и синтеза моделей.

Здесь под ИСППР мы будем понимать интеллектуальную решающую систему, включающую подсистему моделирования, обеспечивающую решение задачи приближенной формализации, и обладающей расширенным составом базы знаний, позволяющим использовать накопленный опыт решения задач данного класса для снижения неопределенности.

Применение в качестве элементов знаний формальных моделей дает возможность использовать не только эвристические, но и математические процедуры поиска решений, обеспечивающие наибольшую эффективность - это основное достоинство интегрированной системы.

Данный вывод подтверждается анализом научно-технических публикаций, посвященных вопросам поддержки принятия решений сложных задач средствами ИРС.

Работы в области ИРС можно условно разделить на три класса: теоретические исследования вопросов поддержки решений сложных задач, разработка средств поддержки решений сложных задач и оценка эффективности применения ИРС различных типов, в основном СППР, ССУ, ЭС, для поддержки решения различных задач.

К теоретическим исследованиям прежде всего следует отнести работы Нильсона Н. [3,4], в которых определена концепция поддержки принятия решений на основе системного подхода и обоснованы необходимые условия реализации данной концепции. Кроме работ Нильсона Н. к направлению теоретических исследований можно отнести работы Орловского С.А.[5], Белкина А.Р., Левина М.Ш. [6], Поспелова Г.С.[7], Райфы Г.[8], посвященных рассмотрению принципов построения ИРС. Однако работы этой группы авторов содержат теоретические аспекты принятия решений путем использования эвристических методов [5,8], комбинаторных методов [6], для решения дискретных задач планирования и управления [7]. Это не позволяет использовать их в качестве научных основ поддержки решения сложных задач, таких как, как прогнозирование состояния на заданный интервал времени, управление функционированием сложных систем, диагностика развития или нарушений, возникающих в процессе их функционирования и других им подобным.

Подавляющее большинство научных работ в области ИРС содержат описание систем поддержки (в основном - СППР, ССУ, ЭС). Наиболее полно СППР рассмотрены в [9 - 12], ССУ - в [13 - 15], ЭС - в [16 - 21]. Описанию ИСППР посвящено значительно меньше работ, среди них можно выделить две [22,23]. При этом некоторые из авторов [20,24] вынуждены были признать, что ряд научных направлений этой тематики требует более глубокой проработки. К этим направлениям отнесены [24,25]:

- разработка методов и процедур решения слабо структурированных проблем в условиях существенной неопределенности;

- разработка методов приближенной формализации исследуемых систем и задач по разнотипным данным, ориентированной на поддержку решения сложных задач;

- разработка методов получения рациональных решений (прогнозирования, управления и диагностики) на основе приближенных моделей исследуемой системы, то есть решений, обеспечивающих системе переход из текущего состояния в новое, более лучшее в смысле заданной цели.

Отсутствие научно обоснованных рекомендаций по указанным направлениям также подтверждает вывод о невозможности обеспечения рациональности решений сложных задач средствами ИРС без проведения дополнительных исследований.

Третий класс включает работы, посвященные оценке эффективности применения средств ИРС в различных условиях [1,8,26,27]. Однако нужно отметить, что все эти работы основываются на множестве разнородных и часто противоречивых предположений, используют различные процедуры принятия решений и рассматривают проблемы оценки эффективности применения средств ИРС по различным, не согласованным друг с другом показателям, что не позволяет использовать совокупность существующих методов для проведения целенаправленных исследований в интересах прогнозирования характеристик средств поддержки решений различных сложных задач.

Таким образом, анализ научных публикаций в области ИРС позволяет сделать вывод об актуальности развития теории обеспечения рациональности решений, вырабатываемыми ИРС, позволяющей повысить качество решений за счет учета общих и частных закономерностей поведения исследуемой системы или процесса, использования достоверных эвристических правил, полученных как на основе субъективного опыта различных специалистов в предметной области, так и на основе объективных процедур их получения. В то же время необходимо отметить, что развитие такой теории является далеко не тривиальной научной проблемой, т.к. ее решение связано с преодолением объективно существующих противоречий.

В первую очередь, необходимо учитывать противоречие между развитием методов решения формализованных задач и все большего появления трудноформализуемых задач, требующих поддержки их решения средствами информационных технологий.

Во вторых, целью развития и применения новых информационных технологий является повышение оперативности решения задач. В то же время специфика задач требует увеличения объемов накапливаемой и обрабатываемой информации, применения все более сложных алгоритмов. Кроме того, включение в состав ИРС программных и аппаратных средств обработки апостериорной информации усугубляет данное противоречие, устранение которого заключается в разработке основ теории обеспечения рациональности решений, вырабатываемых ИРС.

Вследствие всего перечисленного в диссертации определяется обобщенный класс объектов исследования , к которому могут быть отнесены сложные трудноформализуемые задачи, типичными примерами которых могут служить задачи прогнозирования, управления и диагностики в биологических и медицинских системах, и интеллектуальные решающие системы, предназначенные для поддержки их решения.

Повышение рациональности принимаемых решений сложных задач за счет целенаправленной обработки апостериорной информации возможно при наличии методов повышения уровня знаний путем формализации исследуемых систем и процессов по имеющейся и получаемой разнотипной информации как количественной, так и качественной. Причем очевидно, что такая формализация возможна только с некоторой ошибкой, слишком большой, чтобы считать ее полностью адекватной реальным процессам и слишком маленькой, чтобы считать ее вообще не пригодной для использования в поддержке решения задачи. Кроме того, нужна разработка таких методов решения, которые обеспечивают приемлемое качество, несмотря на отсутствие уверенности в абсолютной адекватности модели.

Следовательно, необходима разработка взаимосвязанных методов и алгоритмов получения рациональных решений. Разработка такой совокупности методов и алгоритмов требует проведения исследований по следующим основным направлениям:

- разработка методов и процедур решения слабо структурированных проблем идентификации в условиях существенной неопределенности;

- разработка методов приближенной формализации исследуемых систем и задач по разнотипным данным, ориентированной на поддержку решения сложных задач;

- разработка методов прогнозирования, управления и диагностики на основе приближенных моделей предметной области и полученного в результате системного анализа исследуемого процесса набора достоверных эвристических правил.

Указанные обстоятельства обусловили выбор предмета исследований диссертационной работы, который может быть определен как методология разработки и применения ИСППР для решения сложных трудно-формализуемых задач, например таких как, как прогнозирование, диагностика состояний сложных процессов или систем и управление ими.

Теоретической базой такой методологии может служить теория обеспечения рациональности решений, получаемых с помощью средств ИРС, интегрирующая в себя группу взаимосвязанных методов и алгоритмов решения трудноформализуемых задач и их оптимизации. Рациональность здесь понимается как свойство решения, обеспечивающее системе переход из текущего состояния в новое, лучшее в смысле заданных критериев, т.е. позволяющее системе сделать шаг в сторону достижения поставленной цели

Непосредственной основой такой теории может быть использована теория систем, в рамках которой к настоящему времени накоплен значительный арсенал методов анализа и синтеза сложных систем, разработанных отечественными учеными: Бусленко Н.П., Калашниковым В.В., Коваленко И.Н., Моисеевым H.H., Петровым A.A., Самарским A.JL, Резниковым Б.А., Николаевым В.П., Брук В.М. [28-32] и зарубежными: Згуровским М.З., Месарович М., Макс Д., Такахара И. [33-36]и др. В медицине и биологии теория функциональных систем активно разрабатывалась в НИИ нормальной физиологии им. Анохина П.К.(школа К.В. Судакова).

Решение подавляющего большинства сложных задач связано с непрерывным накоплением, хранением и совокупной обработкой разнородной (как числовой, так и смысловой или семантической) информации, причем информации отрывочной, недостоверной и противоречивой. Очевидно, что эффективное решение таких задач, отличающихся, как правило, значительной априорной неопределенностью, не может быть осуществлено традиционными методами.

Поиск методов, адекватных названным выше задачам, привел к выводу о необходимости расширения рамок классической теории систем за счет включения в ее состав методов решения задач указанного типа.

Все выше перечисленное, а именно потребность в создании методологии построения ИСППР для прогнозирования, управления и диагностики сложных систем и отсутствие общей теории, обобщающей различные подходы к решению задач, возникающих при построении таких

ИСППР, объясняет необходимость и актуальность исследований, приведенных в диссертации.

Цель диссертационной работы состоит в создании теории обеспечения рациональности решений сложных задач, в частности - в биомедицине, и на ее основе научно-методологического базиса построения интегрированных систем поддержки принятия решений.

Эта цель может быть достигнута решением следующих задач.

1. На основе анализа сложных задач подбор и разработка методов, которые могли бы расширить классическую теорию систем, в том числе -функциональных систем, с целью обеспечения формализации сложных систем в условиях значительной априорной неопределенности.

2. Разработка методов формализации сложных систем на основе обработки всей имеющейся разнотипной информации - количественной и качественной.

3. Разработка методов извлечения закономерностей из имеющейся апостериорной (измерительной) информации, составляющих основу информационного обеспечения ИСППР.

4. Разработка алгоритмов построения приближенных моделей исследуемой системы (биосистемы) по разнотипной информации.

5. Разработка методов поиска рациональных, в смысле заданной совокупности критериев, решений на основе приближенной формализации задачи.

6. Разработка методов дискретной оптимизации процедур построения моделей и отыскания решений на множестве альтернатив в условиях нечеткой информации, решения задач выбора наилучших алгоритмов из заданного набора и оценки полезности различных вариантов решения.

7. Разработка интеллектуальных систем для поддержки решения сложных практических задач на основе полученных методов и их использование в медицинской практике.

Методы исследования, используемые при выполнении настоящей работы, основаны на положениях и методах общей теории систем, в частности, методах системного анализа, теории информации, теории идентификации и оценивания, теории управления, теории диагностики, теории искусственного интеллекта, математической информатики, а также теории функциональных систем.

Научная новизна диссертации заключается в следующем.

1. Формализована проблема обеспечения рациональности решений сложных задач в различных сферах деятельности человека, в том числе - в биологии и медицине, с помощью интеллектуальных решающих систем.

2. Обоснована структура ИСППР, позволяющая оказывать эффективную поддержку решений сложных трудноформализуемых задач, таких, например, как прогнозирование, управление и диагностика состояния исследуемых систем.

3. Созданы методология анализа и синтеза слабоструктурированных систем (например, биологических и медицинских) и процессов и методы, необходимые для построения формальных моделей таких систем.

4. Предложены информационные критерии соответствия приближенных математических моделей исследуемым процессам, которые, в отличие от известных статистических критериев, характеризуют не адекватность модели выборкам данных реального процесса, а возможность ее использования для достижения цели решения (прогнозирования, управления, диагностики) с некоторым гарантированным качеством.

5. Разработаны новые методы приближенной формализации предметной области, пополнившие набор методов системного анализа.

6. Разработаны методы интеллектуальной поддержки решений, обеспечивающие их рациональность в смысле заданной системы критериев и предпочтений Л ПР.

Принципиальный вклад в развитие теории интеллектуальных решающих систем состоит в следующем.

1. Произведена классификация трудноформализуемых задач по уровням сложности. Выделен отдельный класс наиболее сложных задач, решение которых требует знаний закономерностей функционирования исследуемой системы, хотя бы грубых (приближенных).

2. Обоснована структура ИСППР, обеспечивающая эффективную поддержку решений задач выделенного класса.

3. Предложена методология построения ИСППР, обеспечивающих рациональность (удовлетворительное качество) получаемых решений.

4. Разработан метод построения приближенной модели исследуемой системы в виде многоуровневой системной модели, содержащей множество разнотипных частных моделей (функциональных, логических, лингвистических, нечетких), каждая из которых отображает поведение системы в определенной среде информативных переменных.

5. Разработаны алгоритмы получения рациональных решений на основе приближенных моделей в условиях, когда цель получения оптимального решения не достижима.

6. Разработан метод извлечения знаний из экспериментальных данных, зафиксированных в разнотипных шкалах.

7. Разработан метод формализации и решения задачи комбинаторной оптимизации с нечеткими исходными данными, использование которого позволяет оптимизировать как приближенные модели, так и получаемые на их основе решения.

8. Разработан метод априорной оценки рациональности получаемых решений.

Практическая ценность работы заключается в следующем.

1. Разработанные в диссертации научная концепция, теоретические положения, методы, методики, основанные на расширенном системном анализе, ориентированы на использование при проектировании и эксплуатации систем поддержки поиска оптимальных решений анализа (определения и прогнозирования значений, представляющих интерес характеристик сложной системы), синтеза (проектирования систем, оптимальных по заданным критериям) и управления (поиска оптимальных управляющих воздействий в процессе функционирования системы, например: выбора наиболее рационального вида терапии при излечении больного, профилактики для предупреждения распространения инфекции и т.п.).

2. Предложен ряд алгоритмов систем поддержки, автоматизирующей процедуры принятия решений, что обеспечивает повышение их эффективности в практических условиях.

3. Созданы и апробированы на практике следующие алгоритмы решения практических задач: структурной идентификации сложных объектов с априорно неизвестной структурой; обнаружения и оценивания параметров сигналов произвольной формы; распознавания изображения и системы медицинской диагностики.

4. Предложены и проанализированы модели следующих подсистем ИСГТПР: формирования знаний, подсистемы логического вывода, подсистемы решения комбинаторных оптимизационных задач.

Достоверность полученных теоретических результатов подтверждается результатами апробаций методов решения перечисленных задач путем их моделирования на ЭВМ, а также внедрением в медицинскую практику, медико-биологические исследования.

Научные положения, выносимые на защиту.

1. Концепция обеспечения рациональности решений, как обеспечение допустимого расстояния между полученным и оптимальным решениями в метрике заданных критериев.

2. Методология построения интегрированных систем поддержки принятия решений сложных трудноформализуемых задач, например, таких как прогнозирование, управление и диагностика в биологии и медицине.

3. Методы обеспечения рациональности решений, получаемых на основе приближенных моделей.

4. Методы приближенной формализации исследуемой сложной системы (например - биологической или медицинской), функционирующей в среде разнотипных переменных.

5. Метод получения решений, обеспечивающий рациональность в смысле заданной системы критериев в условиях неопределенности.

6. Метод оптимизации приближенных моделей, набора алгоритмов и получаемых решений.

7. Метод априорной оценки рациональности (полезности) получаемых решений.

Реализация и внедрение результатов. Предложенные в диссертации методы, методики и алгоритмы разрабатывались автором на кафедре ЭВМ

Тульского государственного университета, на предприятии НИИ "Стрела" г. Тулы в рамках ряда НИР, включающего №73-224, №79-799, №81-082, №83-195-1 и др., а также в научном содружестве с Государственным НИИ новых медицинских технологий.

Результаты, полученные в диссертации, внедрены в НИИ новых медицинских технологий, на ряде промышленных предприятиях, в учебном процессе Тульского государственного университета в курсах: "Введение в системы искусственного интеллекта", "Базы знаний и экспертные системы ", "Основы теории управления", "Микропроцессорные системы", "Физические и физико-химические основы нарушения жизнедеятельности". А также - в научно-исследовательской работе и чтении курсов для студентов медико-технических специальностей в Новгородском государственном университете (г. Великий Новгород), Национальном техническом университете Украины (КИИ), ряде других вузов.

Апробация работы. Основные положения диссертации докладывались на следующих конференциях и семинарах: 4-я, 5-я, 6-я, 7-я, 11-я, 14-я, 15-я, 16-я научные сессии тульского отделения НТОРЭС им. А.С. Попова, проводимые в г. Туле в 1975, 76, 77, 78, 85, 97, 98, 99 годах соответственно; Всесоюзная конференция "Стохастические системы управления", г. Челябинск, 1976г.; 9-ая краевая научно-техническая конференция, г. Красноярск, 1977г.; 2-ое научно-техническое совещание "Пути повышения качества и эффективности использования металла в машиностроении", г. Тула, 1980г.; 5-ое Всесоюзное совещание "Управление многосвязными системами", г. Тбилиси, 1984г.; Всесоюзная научно-техническая конференция "Микропроцессоры - 85", Москва, 1985 г.; 3-ая Всесоюзная научно-техническая конференция "Перспективы и опыт внедрения статических методов в АСУ ТП", Тула, 1987г.; Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации, Курск, 1993г.; Всероссийская конференция "Приборы и приборные системы", г. Тула, 1994 г. Научно-практические конференции НИИ "Стрела", г. Тула, 1986-1989; Научно-технические конференции профессорско-преподавательского состава Тульского государственного технического университета, Тула, 1990-1999; 12-ая Международная научная конференция «Математические методы в технике и технологиях.»,1999 г.; Всероссийская научно-практическая конференция кафедры ATM, 1999 г.; 9-ая Всероссийская научная конференция «Математические методы распознавания образов», 1999 г., Международный конгресс «Медицинские технологии на рубеже веков», Тула, 1998, I и II Международные симпозиумы "Биофизика полей и биоинформатика", Тула, 1997, 1998 и др.

По теме диссертации опубликовано 61 работа, включенные в список литературы, в том числе монография, 23 тезиса докладов на конференциях различного уровня, 34 статьи, 3 а. с. СССР на изобретения.

Объем и структура диссертации. Работа состоит из введения, основной части, включающей семь разделов, изложенных на 329 страницах машинописного текста и содержащих 33 рисунка и 5 таблиц, заключения, списка использованной литературы из 210 наименований и двух приложений на 26 страницах и актов внедрения.

Заключение диссертации по теме «Управление в биологических и медицинских системах (включая применения вычислительной техники)», Токарев, Вячеслав Леонидович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертации разработаны теоретические положения, совокупность которых можно квалифицировать как решение научной проблемы, имеющей важное народно-хозяйственное значение.

1. Разработана теория обеспечения рациональности решений (TOPP) сложных, трудноформализуемых задач. Доказаны основные теоремы TOPP:

- об условиях достижимости рациональности решений при апостериорной приближенной формализации систем, относительно которых принимается решение;

- о согласованности требований к допустимым ошибкам приближенных моделей и к допустимым значениям критерий качества;

- об информационных критериях;

- об условиях достижимости квазиоптимальности и оптимальности решений при апостериорной приближенной формализации систем, относительно которых принимается решение.

2. Разработаны основные методы TOPP:

- приближенной формализации исследуемой системы, в частности, построения системной модели сложной системы; построения многоуровневых приближенных моделей подсистем, функционирующих в среде разнотипных данных; построения частных приближенных моделей различных типов (функциональных, логических, нечетких, лингвистических), включающих эвристические закономерности;

- извлечения эвристических знаний из фактографической информации и использования их для формализации предметной области;

- получения рациональных решений сложных задач, например, задач прогнозирования, управления и диагностики, с помощью приближенных моделей;

- построения модели задачи оптимизации получаемых решений, выбора наиболее эффективных алгоритмов комбинаторной оптимизации решений в условиях нечетких данных;

3. На основе принципов TOPP предложены:

- методика анализа и синтеза слабоструктурированных систем прогнозирования, управления и диагностики. Особенностью методики является ее инвариантность к физической природе информативных переменных

289 исследуемой системы и достижение гарантированного результата в условиях существенной неопределенности;

- методика синтеза систем диагностики на основе приближенной модели объектов предметной области;

- метод прогнозирования состояния сложных систем, состоящих из множества взаимосвязанных различных подсистем, имеющих свои собственные цели и функционирующих в среде разнотипных переменных;

- метод априорной оценки рациональности получаемых решений.

4. Разработана методология построения интегрированных систем поддержки принятия решений трудноформализуемых сложных задач, включающих, помимо традиционных для СППР средств, подсистему моделирования для решения задачи приближенной формализации и подсистему комбинаторной оптимизации для поддержки работы системы моделирования и системы выработки решений.

5. Показаны пути дальнейшего развития TOPP - использование алгоритмов уточнения приближенных моделей исследуемой системы по мере накопления информации о ее поведении в результате реализации принимаемых решений; повышения качества прогнозирования полезности получаемых решений на основе методов теории возможностей, использование в качестве приближенных моделей нечетких моделей различных типов: функциональных, логических, лингвистических.

Теоретические результаты диссертационной работы прошли опытную проверку и получили практическое применение при разработке автоматизированной системы медицинской диагностики, при поддержке решений практических задач по обнаружению сигналов и оценке их случайных параметров, по распознаванию изображений, а также при создании систем управления сложными процессами в химической и металлургической промышленности.

Список литературы диссертационного исследования доктор технических наук Токарев, Вячеслав Леонидович, 2000 год

1. Иоффин А.И. Системы поддержки принятия решений // Мир ПК 1993, N5. - С.47-57.

2. Морозов A.A. Системы принятия решений: проблемы и перспективы /Лнформатиз. нов1 технолог. 1995, N1. С.6-10.

3. Нильсон Н. Искусственный интеллект. Методы поиска решений,-М.: Мир, 1973.-270 с.

4. Нильсон Н. Принципы искусственного интеллекта.- М.: Радио и связь, 1985. 376 с.

5. Орловский с.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 208 с.

6. Белкин А.Р., Левин М.Ш. Принятие решенийжомбинаторные модели аппроксимации информации. М.: Наука, 1990. - 160 с.

7. Поспелов Г.с. Системный анализ и искусственный интеллект для планирования и управления // Кибернетика,- М.: Наука, 1984, С. 141 -151.

8. Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности). М.: Наука, 1977. 408 с.

9. Интеллектуальные решающие машины: проблемы создания и основные принципы / Панагин A.B. и др. // Упр. системы и машины. 1992 -N1/2 - С. 27-34.

10. Довгаль В.М., Сорокин В.Е. Система поддержки принятия решений "Навигатор"// Сб.матер. 2 междунар. конф."Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации" Курск, 1995, - С.205-206.

11. Поспелов Г.с. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.- 279 с.

12. Скиба В.Ю., Ухлинов Л.М. Базовые модели системы поддержки принятия решений по управлению безопасностью (сохранностью) ин-фомации./ЛГеория и системы управления. 1995,N1.- С. 139-148.

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

14. Клыков Ю.И. Ситуационное управление большими системами. -М.: Энергия, 1974. 135 с.

15. Бурлаков М.В Ситуационное управление в системах массового обслуживания. Киев: Наук, думка. 1991, - 160 с.

16. Элти Дж. Кумбс М. Экспертные системы: концепции и примеры. -М.:Финансы и статистика, 1987. 191 с.

17. Геловани В.А., Ковригин О.В. Экспертные системы в медицине. М.: Знание, 1987. - 32 с.

18. Экспертные системы: состояние и перспективы/ Под ред.Поспелова Д.А.-М.: Наука, 1989. 151 с.

19. Expert system tools and techniques: Past, present and future. Cambridge (Mass), London, 1987,- pp.43-74.

20. The second world congress on expert systems / Liebowitz,July // IEEE Expert systems. 1994, N2 pp.62 - 65.

21. Попов Э.В. Экспертные системы реального времени // Открытые системы, 1995, N2(10) -С. 66-71.

22. Wu Е., Chen Y. Decision support system based on general modelling//MCNE'92:7th IFAC/IFORS/IIASA Conf.Modell. and Contr. Nat. Econ., Beijing, Aug. 23-25.1992% Prepr. Beijing, 1992. - p. 241-248.

23. Simon H.A. Artificial intelligence: an empirical science?// Artif. Intell. 1995, N1,-p. 95 127.

24. Малышко с.А. Технология принятия решений на основе СППР "Альтернатива" // Управляющие системы и машины. 1996, N3. С.81 - 87.

25. Самохвалов Ю.А. Совершенствование метода анализа иерархий как методологической основы систем поддержки принятия решений // Управляющие системы и машины. 1996, N1/2. С.91-96.

26. Эндрю А. Искусственный интеллект.- М.: Мир,1985. 256 с.

27. Любарский Ю.Я. Интеллектуальные информационные системы.-М.:Наука, 1990.-227 с.

28. Бусленко Н.П., Калашников В.В., Коваленко И.Н. Лекции по теории сложных систем. М.: Сов. радио, 1973. 439 с.

29. Резников Б.А. Системный анализ и методы системотехни-ки//Методология системных исследований. Моделирование сложных систем.ч.1.- М.: Воениздат, 1990,- 242 с.

30. Моисеев Н.Н. Математические задачи системного анализа М.:Наука, 1981. -487 с.

31. Математическое моделирование: Методы описания и исследования сложных систем/Под ред. Самарского А.Л., Моисеева Н.Н., Петрова А.А.-М.: Наука, 1989. 265 с.

32. Николаев В.И., Брук В.М. Системотехника: методы и приложения. -Л.: Машиностроение, 1985. 199с.

33. Згуровский М.З. Обобщение методов анализа сложных физических процессов и полей на основе методов системного подхода // Кибернетика и системный анализ. 1995, N3. С. 143 - 154.

34. Месарович М., Макс Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. 344 с.

35. Теория систем. Математические методы и моделирование./Сборник статей. М.: Мир, 1989. - 384 с.

36. Месарович М., Такахара Я. Общая теория систем: математические основы.- М.: Мир, 1978 360 с.

37. Райфа Г., Шлейфер Р. Прикладная теория статистических решений. М.: Статистика, 1977.- 360 с.

38. Аоки М. Оптимизация стохастических систем,- М.: Наука, 1971. 424 с.

39. Казаков И.Е. Статистическая теория систем управления в пространстве состояний. М.: Наука, 1975. - 432 с.

40. Медич Д. Статистические оптимальные линейные оценки и управление. М.: Энергия, 1973.- 440 с.

41. Иваненко В.И., Лабковский В.А. Проблема неопределенности в задачах принятия решений. Киев: Наукова думка, 1990. 136 с. 44. Де Гроот М. Оптимальные статистические решения. - М.: Мир, 1974.-491 с.

42. Куржанский А.Б. Управление и наблюдение в условиях неопределенности. М.: Наука, 1977. - 392 с.

43. Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971 .256 с.

44. Николис Г., Пригожин И. Познание сложного. Введение. М: Мир, 1990-344 с.

45. Хакен Г. Синергетика: иерархия неустойчивостей в самоорганизующихся системах и устройсвах. М: Мир, 1985. - 423 с.

46. Дружинин В.В., Конторов Д.с. Проблемы системологии. М.: Сов.радио, 1976. 295 с.

47. Токарев В.Л. Интегрированные системы поддержки принятия решений по управлению, прогнозированию и диагностике. // Автоматизация и современные технологии. 2000, N4, С.21-28.

48. Стратонович Р.Л. Теория информации.- М.:Наука, 1975. 424 с.

49. Мешалкин В.П. Экспертные системы в химической технологии.-М.: Химия, 1995. 386 с.

50. Шмелева А. Экспертные системы в медицине // Hard'n'soít. 1995, N7, С.62-67.

51. Токарев В.JI. Использование модели состояния пациента в экспертной системе диагностики.// Вестник новых медицинских технологий, Том 1, N2, 1994г.-С.92-95.

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

53. Кульбак С. Теория информации и статистика. М.: Наука, 1967. - 408с.

54. Прикладная статистика. Классификация и снижение размерности / Айвазян С.А. и др.- М.: Мир,1983. 397 с.

55. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.- 900 с.

56. Айвазян С.А., Енюков Н.С., Мешалкин Л.Д. Прикладная статистика: исследование зависимостей. М.: Финансы и статистика, 1985. - 487 с.

57. Вильсон А. Дж. Энтропийные методы моделирования сложных систем. -М.: Наука, 1978. 248 с.

58. Кендалл М. Ранговые корреляции. М.: Статистика, 1975. - 216 с.

59. Хьюбер П.Дж. Робастность в статистике. М.:Мир,1984. - 320 с.

60. Efron В. Bootstrap Methods. Annals of statistic. 1979.

61. Нечеткие множества и теория возможностей. Последние достижения. М.: Радио и связь, 1986. - 408 с.

62. Заде Д. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 168 с.

63. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.:Наука,1981. - 208 с.

64. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурьева и др. М.: Радио и связь,1989. -304 с

65. Токарев В.Л. Математическое моделирование физиологических систем по выборке данных // Вестник новых медицинских технологий, 1997, т.4, N4, -С.119- 123.

66. Представление и использование знаний / X. Уэно, Т. Кояма, М. Исидзука и др. М.: Мир, 1989. - 220 с.

67. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки. М.: Мир.1990.-304 с.75. . Бесекерский В.А., Небылов A.B. Робастные системы автоматического управления.- М.:Наука,1983.- 240 с.

68. Токарев В.Л., Матикашвили Т.И., Лейман С.А. Управление объектом по приближенной модели // Алгоритмы и структуры вычислительных систем, Тула: ТулПИ, 1981.- С. 152-162.

69. Словарь по кибернетике /Под ред. B.C. Михалевича. Киев: Гл. ред. УСЭ им. Бажана, 1989. - 751 с.

70. Эйкхофф П. Современные методы идентификации систем. -М.:Мир, 1983.- 397 с.

71. Вапник В.Н. Восстановление зависимостей по эмпирическим данным,- М.: Наука, 1979. 448 с.

72. Драйпер Н., Смит Г. Прикладной регрессионный анализ. Кн.2.- М.:

73. Финансы и статистика, 1987. 357 с.81 .Kulpers В. Qualitative simulation // Ibid.- 1986,- р.289-338.

74. Сейдж П., Мелса Дж. Теория оценивания и ее применение в связи и управлении.- М.: Связь, 1976. 496 с.

75. Kalman R.E., Busy R.S. New result in linear filtering and prediction theory//Trans. ASME Journ. Basic Engineering, v.83D, N1,1961, pp. 95-98.

76. Арене X., Лейтер Ю. Многомерный дисперсионный анализ. М.:Финансы и статистика, 1985. 230 с.

77. Капитоненко B.C., Овсепян В.А., Варлаки П.М. Дисперсионная идентификация. М.: Наука. 1981.- 336 с.

78. Simon Н.А. Artificial intelligence: an empirical science?// Artif. Intell. 1995, N1,- pp. 95 127.

79. Вилкас Э.Й., Майминас Е.З. Решения: теория, информация, моделирование. М.: Радио и связь, 1981. - 328 с.

80. Barmish B.R. Target set reachability criteria for dynamical systems decribed by inaccurate models. // Journal of optimization theory and applications: Vol.26, №.3, 1978. pp.379-394.

81. MaklIa P.M.,Partington J.R. Gustafsson Т.К. Worst-case control-relevant identification//Automatica. 1995 v31-N12.- pp.1799-1819.

82. Otto P. Fuzzy modelling of nonlinear dynamic systems.// EUFlT'3rd Eur. Congr. Intell. Techn. and Soft Combut. Aachen. 1995. Voi.2, pp.860-864.

83. Льюнг Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.- 320 с.

84. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука, 1984.-320 с.

85. Представление и использование знаний / Х.Уэно, Т.Кояма, М.Исидзука и др. М.: Мир, 1989. - 220 с.

86. Дружинин В.В., Конторов Д.С. Системотехника.- М.: Радио и связь. 1985.-200 с.

87. Шошин П.Б. В кн.Статистические методы анализа экспертных оценок.-М.: Наука, 1977. с.234 - 250.

88. Шилейко А.В., Кочнев В.Ф., Химушин Ф.Ф. Введение в информационную теорию систем М.: Радио и связь, 1985,- 280 с.

89. Токарев В.Л. Структурная идентификация стационарных объектов управления // Алгоритмы и структуры систем обработки информации. -Тула: ТулПИ. 1989. С. 70 - 75.

90. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975.- 684 с.

91. Akaike H. On the entropy maximum principle, in: application of the statistics. North-Holand, Amsterdam, 1977, pp.27-41.

92. Снапелев Ю.М.,Старосельский В.А. Моделирование и управление в сложных системах.- М.: Сов.радио, 1974,- 264 с.

93. Питерсон Д. Теория сетей Петри и моделирование систем. М.: Мир, 1984,- 164 с.

94. Розенблюм Л.Я. Сети Петри // Известия АН. Техническая кибернетика, 1983, N5,- С. 13-40.

95. Токарев В.Л., Основы теории обеспечения рациональности решений: Монография. Тула: ТулГУ. 2000. - 118 с.

96. Токарев В.Л. Функционально-логическая модель сложной системы.// Известия ТулГУ, серия Вычислительная техника, Автоматика, Управление. Том 2. Выпуск 1. Вычислительная техника. 1999. С. 151-155.

97. Дородницын A.A. Математика и описательные науки. В сб.: Число и мысль. Вып.5. - М.: Знание. 1982. - С. 13-33.

98. Нечипоренко В.И. Структурный анализ систем. М.: Сов. радио, 1977. -216 с.

99. Токарев В.Л., Попков H.A. Алгоритмы управления, устойчивые к ошибкам модели. //Алгоритмы и структуры специализированных вычислительных систем, Тула: ТулПИ. 1983. - с.92-99.

100. Круг Г.К., Сосулин Ю.А., Фатуев В.А. Планирование эксперимента в задачах идентификации и экстраполяции,- М.: Наука, 1997. 208 с.

101. Математическая теория планирования эксперимента./ Под ред. С.М.Ермакова. М.: Наука, 1983,- 392 с.

102. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем на основе экспериментальных данных.-М.: Радио и связь, 1987. -120 с.

103. Akaike Н. Information theory and an extension of the maximum likelihood principle. 2-nd International Symposium on Information Theory, pp. 267 -281.

104. Красовский A.A., Буков B.H., Шендрик B.C. Универсальные алгоритмы оптимального управления непрерывными процессами. М.: Наука, 1977 -272 с.

105. Саридис Дж. Самоорганизующиеся стохастические системы управления. М.: Наука, 1980. - 400 с.

106. Токарев В.Л., Сухорукова З.Д. Построение идентификатора для целей автоматического управления стохастическим объектом. // Техническая кибернетика.- Тула: ТулПИ. 1976. с. 29-36.

107. Токарев В.Л. Моделирование сложных систем.// 14-я научная сессия тул. отделения НТОРЭС им. A.c. Попова. Тезисы докладов. Тула. 1997. -c.32.

108. Токарев B.JI. Афанасьева С.М. Формализация предметной области для поддержки принятия решений.// 16-я научная сессия тул. отделения НТОРЭС им. A.c. Попова. Тезисы докладов. Тула. 1999. - с. 139.

109. Michalski R.S. A theory and methodology of inductive learning // Artifical Intelligence 1983 - 20,N2. - p. 1 11-161.

110. Вагин В. H. Дедукция и обобщение в системах принятия решений. -М: Наука, 1988. 381 с.

111. Гриф М.Г., Козак Д.А. Модель представления знаний для проектирования процессов и систем.//Управляющие системы и машины, 1995, N3, с.77-81.

112. Рубинштейн М.И. Оптимальная группировка взаимосвязанных объектов. М.: Наука, 1989. - 166 с.

113. Справочная книга по математической логике. 4.1. Теория моделей/ Под ред. Дж.Бартвайса. М.: Наука. 1982. 392 с.

114. Хант Э. Искусственный интеллект. М.: Мир, 1978. - 558 с.

115. Бонгард М.М. Проблемы узнавания. М.: Наука, 1967. - 320 с.

116. Saaty T.L. The analitic hierarchy process. New York: McGraw-Hill, 1988.-273 p.

117. Саати Т.Л., Керне К. Аналитическое планирование. Организация систем. М.: Радио и связь, 1991. 224 с.

118. Токарев В.Л., Афанасьева С.М. Формирование знаний для ИСППР. // Управление и информатика. /Тезисы докладов Всероссийской научно-практической конференции кафедры ATM. М.: ООО «ИСПО-Сервис», 1999. - С.123-125.

119. Токарев В.Л., Матикашвили Т.И., Соломеин В.Л. Устройство для оптимального управления ректификационной колонной.// БИ N30, 1977г. A.c. 568443 СССР, МКИ BOl D3/42.

120. Устройство для автоматического управления процессами жидкофаз-ного окисления циклогексана в реакторе. Токарев В.Л., Попков H.A., Алексеев Б.Ф.//БИШ, 1978. A.c. 587136 СССР, МКИ С07В 27/00

121. Оптимизация режима вторичного охлаждения непрерывного слитка с помощью приближенной модели./Дюдкин Д.А.,Токарев В.Л., Ильин .A.A. и др.//Сталь, 1981, N9. с. 30-32.

122. Токарев В.Л., Дюдкин Д.А., Ильин A.A. Система автоматического управления процессом непрерывной разливки металла A.c. 1228965 МКИВ22 11/16//БИ N17, 1986.

123. Устройство для автоматического управления расходами воды машины непрерывного литья заготовок. Токарев В.Л., Дюдкин Д.А., Ильин A.A. // БИ N37, 1985г. A.c. 1183289 СССР, МКИ В22 G 11/16

124. Корн Г.А., Корн Т.М. Справочник по математике для научных работников и инженеров.- М.: Наука, 1984.- 831 с.

125. Токарев В.JI. Информационный поход к решению задачи структурной идентификации // Автоматизация и современные технологии.1998. N11. с.26 36.

126. Токарев В.Л. Построение моделей технологических процессов для целей управления. //Техническая кибернетика, Тула: ТулПИ, 1977. - с. 62- 70.

127. Токарев В.Л. Структурная идентификация при построении приближенной модели технологического процесса. //Алгоритмы и структуры специализированных вычислительных устройств, Тула: ТулПИ. 1979.-с. 87 -98.

128. Токарев В.Л., Ильин A.A. Алгоритм структурной идентификации нелинейного статического объекта. //3-ая Всесоюзная научно- технич. конференция "Перспективы и опыт внедрения статистических методов в АСУ ТП",Тула: ТулПИ. 1987.- с. 42.

129. Пфанцагль И. Теория измерений. М.: Мир, 1976. - 166 с.

130. Орлов А.И. Объекты нечисловой природы./Заводская лаборатория-1995 -т60. N3. с.43-52.

131. Лбов Г.с. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. - 160 с.

132. Токарев В.Л. Логические модели в экспертной системе медицинской диагностики.// Вестник новых медицинских технологий. 1998, T.V.N3-4. с. 102-106.

133. Vergara V., Moraga С. Optimal fuzzy identification models.// IFSA'95: Proc. 6th Int. Fuzzy Syst. Assoc. World Congr. Sao Paulo, July 21-28,1995,vol 1.- Sao Paulo, 1995,-p.109-112.

134. Сергиенко И.В. Математические модели и методы решения на ЭВМ комбинаторных задач оптимизации.- Киев: Наук.думка, 1981.- 287 с.

135. Токарев В.Л. Управление объектом по приближенной модели. //Алгоритмы и структуры вычислительных систем. Тула: ТулПИ. 1982. -С. 152-162.

136. Токарев В.Л. Логико-лингвистические модели в задачах управления сложными объектами.// Автоматизация и современные технологии.1999, N3, с.35-39.

137. Maklla P.M.,Partington J.R. Gustafsson Т.К. Worst-case control-relevant identification//Automatica. 1995 v31-N12.- p. 1799-1819.

138. Barmish B.R. Target set reashability criteria for dynamical systems described by inaccurate mjdels. Journal of optimization theory and application.Vol.26.N 3,1978, pp.379 - 394.

139. Кейн B.M. Оптимизация систем управления по минимаксному критерию. М.: Наука, 1985. 248 с.

140. Вентцель Е.С., Овчаров Л.А. Прикладные задачи теории вероятностей. М.: Радио и связь,1983, - 416 с.

141. Пугачев В.с. Теория случайных функций и ее применение к задачам автоматического управления М.: Физматгиз,1962,- 883 с.

142. Токарев B.J1., Матикашвили Т.П., Ильин А.А. Управление технологическим процессом с приближенной моделью. // Алгоритмы и структуры специализированных вычислительных устройств. Тула: ТулПИ. 1979г.-с. 82 - 87.

143. Experience learning in model-based diagnostic systems // Koseki Yoshiyuki // IJCAI'89.: Proc.llth Int. J. Conf. Artif. Intell., Detroit, Mich., 20-25 Aug., 1989, Vol.2.-Detroit (Mich.), 1989, c. 1356-1362.

144. Logical foundation for knowledge-based control systems knowledge representation, reasoning and theoretical properties / Ligeza Antoni // Zecz. nauk. AGH im. Stanislawa Staszica. Autom. 1993,- N63. c. 1-144.

145. Токарев В.JI. Разработка и исследование алгоритмов управления с априорно неизвестной моделью /Автореферат канд. диссертации.- Севастополь: СПИ. 1981,- 19 с.

146. Токарев В.Л. Управление объектом по приближенной модели/Мл горитмы и структуры вычислительных систем, Тула: ТулПИ. 1982.-с. 152- 162.

147. Токарев В.Л. Управление сложным объектом на основе приближенной модели.// Известия ТулГУ, серия Математика, Механика, Информатика. 1998, т.4, вып.4. с. 119-123.

148. Устройство для оценки качества продукта процесса ректифика-ции./Токарев В.Л., Матикашвили Т.И., Соломеин В.Л.// А.с. 597386 СССР, МКИВ01 3/42./БИ N10, 1978.

149. Нечеткие множества в моделях управления и искусственного интеллекта / Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. М.: Наука, 1986.- 312 с.

150. Яблонский С.В-. Некоторые вопросы надежности и контроля управляющих систем //Математические вопросы кибернетики. Вып.1 М.: Наука, 1988,- 247 с.

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

152. Система прогнозирования, основанная на методах получения и обработки знаний./Загоруйко Н.Г. и др.//Вычислительные системы, 1994, N 150, с. 17-31.

153. Дружинин В.В., Конторов Д.с., Конторов М.Д. Введение в теорию конфликта. М.: Радио и связь, 1989. - 288 с.

154. Устойчивость нелинейных систем с неединственным состоянием равновесия. Гелиг А.Х., Леонов Г.А., Якубович В.А. М.: Наука, 1978. 400 с.

155. Токарев В.Л. Моделирование сложных процессов для целей прогнозирования. // Математические методы в технике и технологиях. Сборниктрудов 12 Международной научной конференции. Том 3. Великий Новгород: НГУ. 1999. - С. 4 -5.

156. Воронов A.A. Введение в динамику сложных управляемых систем. М.:Наука. 1985.- 352 с.

157. Воробьев Н.И. Основы теории игр. Бескоалиационные игры. М.: Наука, 1984. -256 с.

158. Гермейер Ю.Б. Игры с непротивоположными интересами. М.: Наука, 1976. - 327 с.

159. Сергиенко И.В., Каспшицкая М.Ф. Применение понятий размытой математики для формализации и решения комбинаторных оптимизационных задач.// Кибернетика и системный анализ. 1995. - N2.- с. 158163.

160. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука. 1982. - 256 с.

161. Гуляницкий Л.Ф. Формализация и использование знаний в системах дискретной оптимизации // Кибернетика и системный анализ. 1995. N4, - с. 126- 136.

162. Токарев В.Л. Построение моделей сложных многофункциональных интегральных схем.// Обмен производственно-техническим опытом. 1989, вып. 3,с. 84-86.

163. Токарев В.Л. Способ реализации системы для распознавания образов.// Алгоритмы и структуры систем обработки информации, Тула: ТулГУ. 1997, с. 38-44.

164. Токарев В.Л. Устойчивый вероятностный метод классификации изображений // Алгоритмы и структуры систем обработки информации, Тула: ТулПИ. 1995. с. 40 - 46.

165. Токарев В.Л., Матикашвили Т.И. Идентификация одного класса объектов для целей автоматического управления. //Динамика электромеханических систем. Тула: ТулПИ. 1976. - с.92-101.

166. Справочник практического врача / Под ред. Кочергина И.Г. М.: Медицина, 1973. - 744 с.

167. Брехман И.И. Валеология наука о здоровье,- М.: Физкультура и спорт, 1990.- 208 с.

168. Прэт У. Цифровая обработка изображений: в 2-х книгах М.: Мир, 1982, кн. 1 - 310 е., кн.2 - 790 с.

169. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений.- М.: Высшая школа, 1983,- 295 с.

170. Левин Б.Р. Теоретические основы статистической радиотехники. В 3-х кн. М.: Сов.радио, 1976. - Кн.З - 285 с.

171. Левин Б.Р. Теоретические основы статистической радиотехники. В 3-х кн. М.: Сов.радио, 1975. - Кн.2 - 391 с.

172. Трофимов А.П., Нечаев Е.П., Парфенов В.И. Обнаружение стохастических сигналов с неизвестными параметрами. Воронеж: Воронежский гос. университет, 1991. - 246 с.

173. Теория обнаружения сигналов./ Акимов П.с. и др. Под ред. Г1.А. Бакута. M.: Радио и связь, 1984. - 440 с.

174. Сосулин Д.Г. Теория обнаружения и оценивания стохастических сигналов. М.: Сов. радио, 1978. - 320 с.

175. Томас Дж.Б. Непараметрические методы обнаружения сигналов / ТИИЭР, 1970, т.58, N5, с. 23-31.

176. Волков В.Ю., Оводенко A.A. Алгоритмы обнаружения локационных сигналов на фоне помехи с неизвестными параметрами. / Зарубежная радиоэлектроника, 1981, N5, с.25-40.

177. Оводенко A.A. Робастные локационные устройства. Л.: ЛГУ, 1981. - 185 с.

178. Кузьмин с.З. Основы проектирования систем цифровой обработки радиолокационной информации. М.: Радио и связь, 1986. - 352 с.

179. Корадо В.А. Об оптимальном обнаружении сигналов на фоне помех с неизвестными параметрами при ограниченной вероятности ложной тревоги. Радиотехника и электроника, 1970, т. 15, N7, с. 1419-1427.

180. Токарев В.Л. Обнаружение сигналов со случайным параметрами. //Алгоритмы и структуры систем обработки информации, Тула: Тул-ПИ. 1992, с.83-89.

181. Токарев В.Л. Оценивание параметров видеосигнала при значительной априорной неопределенности. // Алгоритмы и структуры систем обработки информации.- Тула: ТулПИ. 1994, с.38-44.

182. Токарев В.Л. Измерение параметров сигнала при неизвестных характеристиках шума.// Приборы и приборные системы. Тезисы докладов. Тула: ТулГУ. 1994.- с. 56.

183. Токарев В.Л.,Матикашвили Т.И., Самусева H.A. Синтез системы стабилизации технологического процесса в условиях неопределенности. //Алгоритмы и структуры специализированных вычислительных систем,- Тула: ТулПИ. 1980. с. 32-38.

184. Токарев В.Л. Использование статической модели для управления и оптимизации ректификационной системы./ЛГехническая кибернетика. -Тула: ТулПИ. 1975. с. 48-56.

185. Токарев В.Л., Матикашвили Т.И., Попков H.A. Оптимизация химического производства технологических процессов.// Техническая кибернетика,- Тула: ТулПИ. 1977.- с. 27-30.

186. Токарев B.JL, Построение линейной адаптивной модели процесса ректификации.// Техническая кибернетика. Тула: ТулПИ. 1975. - с. 72 82.

187. Токарев В.Л., Комбинированная система управления ректифицион-ной колонной./ Соломеин В.Л., Слаутинский В.П. и др. .// 4-ая научная сессия НТОРЭС им. A.c. Попова, Тезисы докладов Тула: ТулПИ. 1975.-с. 36.

188. Токарев В.Л. Аненков А.Т. Моделирование теплообмен ной системы производства капролактама.// 4-ая научная сессия НТОРЭС им.А.с. Попова, Тезисы докладов Тула: ТулПИ. 1975. - с.40.

189. Токарев В.Л. Матикашвили Т.И., Попков H.A. Адаптивная идентификация компонентов нестационарных процессов.// Всесоюзная конференция "Стохастические системы управления" Тезисы докладов. Челябинск: ЧПИ. 1976.-с. 91

190. Токарев В.Л. Синтез оптимальных САУ химико- технологическими процессами.// 5-ая научная сессия НТОРЭС им.А.с. Попова, Тезисы докладов. Тула: ТулПИ. 1976. - с. 5.

191. Токарев В.Л. Матикашвили Т.И., Попков H.A. Устройство автоматического управления химико-технологическим объектом с использованием идентификатора.// 5-ая научная сессия НТОРЭС им. A.c. Попова, Тезисы докладов. Тула: ТулПИ. 1976. - с. 6.

192. Токарев В.Л. Тишков Е.Т., Соколик A.B. Специализированное вычисли тельное устройство для оценки качества продуктов процесса ректификации.// 6-ая научная сессия НТОРЭС им. A.c. Попова, Тезисы докладов. Тула: ТулПИ. 1977. - с. 36.

193. Токарев В.Л.,' Матикашвили Т.И. Идентификация одного класса объектов для целей автоматического управления. // Динамика электромеханических систем. Тула: ТулПИ. 1976. - с. 92-101.

194. Токарев В.Л. Матикашвили Т.И., Попков H.A. Специализированное вычислительное устройство оценки качества технологического процесса.// 9-ая краевая научно-техническая конференция. Тезисы докладов. -Красноярск: КПИ. 1977. с. 41.

195. Токарев В.Л. Матикашвили Т.И., Попков Н.А . Синтез адаптивной системы стабилизации динамического объекта.// Техническая кибернетика. Тула: ТулПИ. 1978. - с. 29-35.

196. Токарев В.Л., Евсюхин Г.В., Гонсалес Р.Г., Родригес В.П. Микропроцессорная адаптивная система управления // Алгоритмы и структуры специализированных вычислительных систем. Тула: ТулПИ, 1986. - с. 84 93.302

197. Токарев B.JI. Афанасьева с.М. Логические модели при моделировании сложных систем.// 14-я научная сессия тул. отделения НТОРЭС им. A.c. Попова. Тезисы докладов. Тула: ТулГУ. 1997. - с.33.

198. Токарев В.Л. Афанасьева с.М. Управление системой на основе логической модели.//15-я научная сессия тул. отделения НТОРЭС им. A.c. Попова. Тезисы докладов. Тула: ТулГУ. 1998. - с.60.

199. Токарев В.Л. Управление системой на основе лингвистической модели.// 15- я научная сессия тул. отделения НТОРЭС им. A.c. Попова. Тезисы докладов. Тула: ТулПИ. 1998. - с.61.

200. Токарев В.Л. Логико-лингвистические модели в задачах управления сложными объектами.// Автоматизация и современные технологии. 1999, N3, с. 35-39.