Математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Подкосов, Дмитрий Николаевич

• Подкосов, Дмитрий Николаевич
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Подкосов, Дмитрий Николаевич

Введение.

Глава 1. Обзор смежных областей.

1.1. Концепция универсального сервера.

1.2. Методы идентификации и сравнения нетрадиционных типов информации.

1.3. Нейронные сети и идентификация.

1.4. Ассоциативно-пульсационные нейронные сети.

1.5. Выводы.

Глава 2. Математическая модель использования р-нейронных сетей в системах обработки и хранения информации.

2.1. Методы исследований.

2.2. Основные алгоритмы.

2.3. Формирование описывающих векторов.

2.3.1. Элементы нейронной сети.

2.3.2. Потоки данных в нейронной сети.

2.3.3. Структура нейронной сети.

2.3.4. Абстрагирующий слой.

2.3.4.1.Топология абстрагирующего слоя.

2.3.4.2.Структурная схема примитивов абстрагирующего слоя.

2.3.4.3.Функционирование примитивов абстрагирующего слоя.

2.3.4.4.Работа абстрагирующего слоя.

2.3.5. Слой ассоциации.

2.3.5.1. Топология слоя ассоциации.

2.3.5.2.Структурная схема примитивов слоя ассоциации.

2.3.5.3.Функционирование примитивов слоя ассоциации.

2.3.5.4. Работа слоя ассоциации.

2.3.6. Слой приведения.

2.3.7. Блок принятия решения.

2.3.8. Работа р-нейронной сети.

2.4. Сравнение векторов сверток.

2.4.1. Основные принципы сравнения.

2.4.2. Алгоритмы сравнения, устойчивые к параллельным искажениям.

2.5. Выводы.

Глава 3. Реализация системы получения описывающих векторов.

3.1. Реализация пульсационной-нейронной сети.

3.1.1. Общее описание программного комплекса и комплекса работ.

3.1.2.Состав программного комплекса.

3.1.3.Результаты работы.

3.2. Общие принципы реализации нейронной сети на основе р-нейронов.

3.2.1.Топология слоев.

3.2.2. Реализация блока принятия решения.

3.2.3.Реализация слоя предворительной обработки.

3.2.4. Реализация абстрагирующего слоя.

3.2.5.Реализация слоя ассоциации.

3.3. Модифицированные свертки.

3.4. Описание объектов, наложенных друг на друга.

3.5. Применение системы идентификации в хранилищах данных.

3.5.1. Общие принципы.

3.5.1. Обработка информации на этапе ввода в хранилища данных.

3.5.2. Поиск информации.

3.5.2.1. Поиск по образцу.

3.5.2.2. Поиск при помощи запросов.

3.5.3. Обучение системы.

3.6. Индексирование данных.

3.6.1. Общий подход.

3.6.2. Дерево уточняющего ассоциативного поиска.

3.6.3. Дерево максимального различия "потомков".

3.7. Выводы.

Глава 4. Оценка эффективности.

4.1. Оценка системы с точки зрения универсального сервера.

4.2. Сравнительный анализ характеристик данной системы.

4.3. Сравнительный анализ характеристик системы при работе с текстовой информацией.

4.4. Выводы.

Введение диссертации (часть автореферата) на тему «Математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей»

Объект исследования

Распознавание образов[20,21,24-28,44,47] представляет собой направление, связанное с разработкой методов и построением систем для установления принадлежности некоторого объекта к одному из заранее выделенных классов объектов[8,18,40]. Процесс распознавания основан на сопоставлении признаков, характеристик исследуемого объекта с признаками, характеристиками других известных объектов, в результате чего делается вывод о наиболее правдоподобном их соответствии. Адаптивное распознавание представляет собой способность адаптации в процессе распознавания образов, то есть динамическую настройку к конкретным входным данным[6,13,14,11]. Данные методы на практике широко используются для организации нечеткого поиска информации в хранилищах информации (ХИ), поисковых системах, аналитических системах, корпоративных системах, системах искусственного интеллекта (СИИ). Под нечетким поиском понимается возможность найти достаточно близкое приближение к запрошенному образцу информации[21,22]. Нечеткий поиск устраняет необходимость знать точное написание каждого термина или представлять для поиска точное изображение.

Можно выделить два направления исследований в данной области -это расчет близости (похожести) объектов[17] и построение индексов для быстрого поиска таких объектов. Каждое направление на сегодняшний момент является актуальным.

Актуальность проблемы

Сегодня начали предъявлять к серверам данных все более серьезные требования, и вследствие этого выяснилось, что стандартные файловые системы не вполне пригодны для вычислений в новых условиях. Поэтому все более пристальное внимание начинают привлекать базы данных. Известно, что в файловой системе пользователь осуществляет навигацию на основе имен файлов, типов файлов и т.п. Это приемлемо только для управления относительно небольшим количеством данных. Для больших объемов удобнее использовать системы управления базами данных (СУБД), обеспечивающие быстрый и удобный доступ к данным посредством запросов. Они представляют собой надежную платформу для построения приложений, осуществляющих высокоскоростные транзакции, однако их слабая сторона - управление сложными типами данных [22,31]. К таким данным принято относить двумерную графику, трехмерные сцены, звуковую информацию, временные ряды, видеоинформацию и т.п. В отдельную категорию принято выделять картографическую информацию. В СУБД такие данные, как правило, хранятся в формате LOB (большие двоичные объекты), который накладывает ряд ограничений. Там так же часто хранят HTML- и VRML-документы, а также Java-апплеты и сервле-ты.

Ситуация в компьютерной индустрии складывается таким образом, что рост популярности данных нетрадиционных типов не учитывать нельзя [27]. Во-первых, значительно увеличивается количество разрабатываемых мультимедийных проектов. В среднем, каждый такой проект включает сотни тысяч звуковых, видео, анимационных и других объектов, которые используются многократно. Разработчик, пытаясь найти объект по имени файла, рискует заблудиться в длинном алфавитном списке. Так, некоторые разработчики утверждают, что на поиск ранее созданных объектов у них уходит от 10 до 20% рабочего времени. Причем данные недостаточно просто разместить на сервере, а необходимо регулярно обновлять. Эти данные требуют эффективного управления. Обычные файловые системы справиться с этой задачей не в состоянии. Использование СУБД также не решит всех проблем. Для решения этой проблемы нужны новые технологии, основанные на распознавании образов, в том числе адаптивном, а также нечетком поиске.

Подобные проблемы наблюдаются в области создания аналитических систем. Аналитические системы для поддержки принятия решений используются в самых разнообразных сферах. Например, в коммерции, торговле, финансах, в государственной деятельности, разведке, в работе юридических служб и законодательных органов и т. д. Для выработки корректного решения системный аналитик должен получать данные из самых разных источников: внутренних и внешних баз данных, архивов, электронных статистических сборников и справочников[23,29]. Кроме того, он должен принимать во внимание оперативно поступающую информацию. Качественная работа аналитика невозможна без использования информационных ресурсов сети Internet, куда, по некоторым оценкам, каждый день добавляется терабайт новой информации. Для успешного ведения системных исследований в таких условиях требуются соответствующие инструментальные средства, позволяющие ежедневно анализировать гигабайты данных всевозможных типов. Средства поиска данных играют определяющую роль в обеспечении эффективности и производительности аналитической системы в целом. Однако, помимо поисковых средств система управления должна иметь ряд дополнительных, функциональных возможностей, отличающих ее от обычной информационно-справочной системы, а именно:

- сочетание средств ретроспективного анализа с оперативным доступом к информации, поступающей в режиме реального времени;

- структурирование результатов исследований;

- поддержка и совместное использование структурированной информации, неструктурированных текстов, графики, видео и т. п.

В данной ситуации также невозможно решить все проблемы традиционными средствами. В частности, нельзя для хранения информации ограничиться традиционными СУБД. Традиционные системы поиска информации развивались в тесной взаимосвязи с СУБД (РСУБД, ОРСУБД), поэтому они были ориентированы в основном на работу с относительно простыми или структурированными типами данных. Но при обработке произвольной цифровой информации средства SQL СУБД оказываются малоэффективными. Большинство реляционных процессоров использует индексы В-Tree, хорошо подходящие для поиска текста и численной информации в стандартных реляционных таблицах, но они малопригодны для работы с изображениями и другой мультимедийной информацией. Для работы с ней необходимо реализовать возможности сравнения, идентификации и классификации с применением технологий нечеткого поиска. Очевидно, что традиционные методы СУБД и РСУБД для этого не годятся [27].

В настоящее время ведутся работы по созданию систем, способных решать эти проблемы, есть некоторые результаты, но также еще очень много нерешенных проблем [56,57], очевидно, не хватает новых технологий в этой области. В частности, шире должны использоваться системы адаптивного распознавания образов для ускорения поиска информации [13,32].

Проблема приближенного поиска графической информации в ХД стоит достаточно остро. Человек не всегда может точно сформулировать, что он хочет найти, часто он может это представлять лишь примерно [20]. Современные СУБД, ориентированные на концепцию универсального сервера (КУС) предоставляют удовлетворительные возможности нечеткого поиска для полнотекстовой информации [9-13]. Хуже обстоит дело с подобными возможностями для графической информации [31]. Хорошие результаты здесь показывают лишь узкоспециальные системы, способные работать только в своей сверхузкой области. Подобные проблемы есть и с аудио информацией и другими видами информации.

Остроту вышеописанных проблем, в некоторой степени, способно снять использование пульсационных нейронных сетей специального вида для обработки информации. В частности, возможно использование PCNN (Pulse-Coupled Neural Network) [47,49,53] - пульсационно-ассоциативных нейронных сетей и сетей на р-нейронах (р-НС) [29,31,32], а также построенного на их основе специализированного метода обработки информации [27].

Цель диссертационной работы

Цель диссертационной работы - разработать метод адаптивного распознавания образов, применимый на практике и способный работать со сложными типами данных, например: двухмерная графика, трехмерные сцены и др. Эта разработка должна способствовать ускорению таких операций, как идентификация, классификация, поиск, в том числе нечеткий. Данная разработка должна проверить границы применимости пульсационных нейронных сетей (ПНС), для решения поставленной задачи, на примере двумерных графических изображений.

Решение этой научно-технической задачи позволит работать со сложными типами данных в реальном режиме времени. В частности, двух-, трехмерной графикой, полнотекстовой информацией, а в перспективе с аудио и др.

Решение этой научно-технической задачи позволит выполнять такие операции, как: сравнение по выбранным параметрам, идентификация, классификация, поиск, в том числе нечеткий.

На данном этапе необходимо не только идентифицировать данные, но и выявлять все множество близких данных, особенно это актуально применительно к нестандартным типам. Например, очевидно, что даже одно и то же графическое изображение, отсканированное два раза, из-за искажений может различаться, поэтому необходимо использование методов приближенного поиска, которые позволят выявлять такие скрытые дубли в ХД, а также позволят находить изображения близкие к данным. Такие же примеры можно привести и в отношении звуковой информации, трехмерных сцен и т.п. Такие возможности позволят как экономить время на поиске информации, так и осуществлять эти операции на новом уровне.

Диссертационная работа направлена на оптимизацию методов нечеткого поиска. Так операции поиска, сравнения и идентификации должны быть построены исходя из критериев максимальной распознаваемости и минимальной избыточности информации, а также максимальных скоростных характеристик.

Направление исследований

Основным направлением исследования, для решения поставленной задачи, были выбраны пульсационные нейронные сети специального вида. Такие сети выполняют три операции над данными:

- фильтрация;

- абстракция данных;

- ассоциация данных.

Было разработано семейство сетей с последующим сравнением их методами имитационного моделирования. Оценивались следующие параметры:

- быстродействие создания описывающего вектора;

- объем описывающего вектора;

- адекватность описания исходной информации;

- скорость поиска исходной информации по описывающему вектору.

Методика исследований

Основным методом исследований было создание математических моделей и их оценка по результатам имитационного моделирования. Как критерии были выбраны несколько параметров: быстродействие, объем описывающего вектора, адекватность описания исходной информации, скорость поиска. Результаты экспериментов сравнивались как между собой, так и с результатами работы других методов.

На защиту выносятся

1. Метод обработки данных, основанный на автоматическом абстрагировании и автоматической ассоциации данных.

2. Структура пульсационной нейронной сети.

3. Схемы функционирования пульсационной нейронной сети.

4. Примитивы абстрагирующего слоя сети.

5. Примитивы ассоциирующего слоя сети.

6. Метод индексирования СТД для адаптивного распознавания образов.

Научная новизна

1. Предложена математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей (ПНС).

2. Разработана структура, примитивы, способ функционирования специализированной ПНС.

3. Показана возможность использования ПНС для адаптивного выделения информации в целях последующих операций классификации, идентификации и сравнения СТД.

4. Разработан способ индексирования СТД, выделенных при помощи ПНС для последующего быстрого поиска, в том числе нечеткого.

Практическая полезность

1. Эмпирически доказана возможность построения универсальных систем адаптивного распознавания образов.

2. Эмпирически доказана возможность построения специализированных систем адаптивного распознавания образов на основе ПНС.

3. Эмпирически доказана возможность построения ассоциативной памяти на сотни тысяч записей СТД.

4. Эмпирически доказано ускорение операций поиска информации в хранилищах данных, в том числе нечеткого, а также операций идентификации и классификации для СТД.

Апробация работы

1. Результаты исследований были оформлены в виде программного продукта - библиотеки классов, который представляет собой реализацию описанного в диссертационной работе метода. На библиотеку было получено регистрационное свидетельство (РОСПАТЕНТ per. № 2002610360, приложение № 4). Данный программный продукт был успешно внедрен на практике, а именно: а) в системе распознавания и идентификации адреса почтового отправления в ГЦ МПП (Главный Центр Магистральных Перевозок

Почты, приложение № 2); б) В системе идентификации изменений в изображении охраняемых объектов (разработка ЗАО «РосСфера»);

Программный комплекс распознавания и идентификации адреса почтового отправления был представлен:

- на всероссийской выставке «Связь: почта, телеграф, телефон.», Москва, 8-12 сентября 2001 г.;

- на всероссийской специализированной выставке «Русская тройка», Санкт-Петербург, 22-24 сентября 2001 г.

Программный продукт, на основе данной модели, был успешно внедрен на практике. Это свидетельствует о работоспособности системы и подхода в целом, что подтверждено соответствующим актом о внедрении.

2. Был создан программный комплекс для исследования свойств пуль-сационных нейронных сетей. Он использовался как лабораторный комплекс в проведенных исследованиях.

Результаты работы используются в учебном процессе кафедры МОВС МИРЭА(ТУ) в курсе «Базы данных» (приложение № 3).

Результаты работы апробированы в докладах на конференциях и семинарах:

- 49-ая научно-техническая конференция МИРЭА (21 мая 2000 г.);

- научно-практическая конференция в рамках всероссийской программы «Электронная Россия» «Современные информационные технологии в управлении и образовании - новые возможности и перспективы» (18,19 февраля 2001 г.);

- 50-ая юбилейная научно-техническая конференция МИРЭА (10-18 мая 2001 г.);

- научно-практическая конференция в рамках всероссийской программы «Электронная Россия» «Современные информационные технологии в управлении и образовании - новые возможности и перспективы» (11,12 декабря 2001 г.);

- научно-технический семинар «Теория информационных систем», МИРЭА (23 мая 2002);

- 52-ая научно-техническая конференция МИРЭА (13 мая 2003 г.).

Основные научные результаты

1. Математическая модель адаптивного распознавания образов на основе ПНС.

2. Структура, примитивы, способ функционирования специализированной ПНС.

3. Модель использования ПНС для адаптивного выделения информации в целях последующих операций классификации, идентификации и сравнения.

4. Модель ускорения операций поиска, в том числе нечеткого, информации СТД в ХИ.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Подкосов, Дмитрий Николаевич

4.4. Выводы

Сравнивая модель, представленную в настоящей диссертационной работе, и результаты, полученные на вышеописанном программно - лабораторном комплексе, с системами, представленными на рынке и в печати, можно сказать, что эта разработка имеет:

- большую универсальность;

- высокую степень адаптивности;

- высокую скорость работы;

- высокую степень открытости для интеграции с другими системами;

- малый объем описывающего вектора;

- высокую степень идентификации.

В пользу того, что подобная технология нужна, говорит то, что она востребована на практике.

Заключение

Вышеописанная модель адаптивного распознавания образов доказала свою работоспособность на практике. Основное ядро технологии - абстрактно-ассоциативный метод опробован в лабораторных условиях, а также на практике показал неплохие результаты. Об этом свидетельствует внедрение результата разработки - библиотеки FUNSR (РОСПАТЕНТ per. № 2002610360) на практике. Библиотека является ядром программы распознавания почтовых адресов, что зафиксировано в соответствующем акте о внедрении. Это единственная программа распознавания, практически применяемая в почтовой отрасли в настоящее время. Это означает, что представленная модель позволяет работать с текстовыми данными не только в лабораторных условиях, но и на практике. Библиотека FUN SR используется в разрабатываемом программно-аппаратном комплексе по охране объектов. Библиотека отвечает за первичную обработку изображений, поступающих от видеокамер, а также за отсев визуально близких изображений на этапе записи в хранилище данных. Это говорит о том, что представленная модель применима на практике в системах обработки двумерных графических данных. Некоторые части модели опробованы только в лабораторных условиях, например, работа с трехмерными сценами, но с учетом того, что основная часть модели для всех типов данных общая, с большой долей вероятности можно предположить, что эта модель применима в системах, работающих с трехмерными сценами.

Несомненным достоинством метода является его универсальность. Он может использоваться практически в любой области в отличие от разного рода специализированных систем. Он разрабатывался в соответствии с концепцией УС и вследствие этого, может быть применен в современных хранилищах данных, в которых хранятся данные разного происхождения и формата, для поиска, классификации и т.п.

Метод достаточно гибок, у него много возможностей для настройки под ту или иную информацию, под разные особенности этой информации. Это позволяет на основе этого метода построить специализированные системы сравнения информации и её классификации. При этом произойдет потеря универсальности, но улучшится характеристика качества поиска и идентификации, а также скоростные характеристики. Например, данный подход может использоваться в системах слежения на предмет изменения. Именно в этой области такая система хорошо справится с задачей. Сравнивая дескриптор, получаемый в реальном режиме времени, с эталоном хранящимся в БД, можно установить соответствующие отклонения. Таким образом, можно сравнивать фотографии с метеоспутников, изображения охраняемых объектов и др. Для мобильных систем немаловажный фактор - размер оперативной памяти. Данная система наиболее выгодна с этой точки зрения, ибо дескриптор, полученный с ее помощью наиболее компактный, но информативный.

Поиск информации при помощи дескрипторов данной системы осуществляется достаточно быстро, а, значит, она может использоваться в системах, где время поиска ограничено, например, в системах, помогающих принимать оперативные решения. Аналитические системы поддержки принятия решений, на сегодняшний день, нашли применение в самых разнообразных сферах. Для выработки корректного решения в сжатые сроки системный аналитик должен получать данные из самых разных источников, в том числе, и оперативно поступающую информацию, в том числе графическую и аудио. Предложенная система может значительно ускорить обработку такой информации.

Надо заметить, что предложенный метод обработки информации только частично проверен на практике и во многом только проходит испытания. Данные о возможностях использованных методов и подходов будут уточняться и дополняться в результате дальнейших исследований. Например, работа по выработке методов индексирования данных будет продолжена, так как это самый перспективный путь развития данной технологии. Использованные методы индексирования работоспособны, но результаты экспериментов, не вошедшие в данную работу, показывают, что существуют более производительные методы, построенные на основе предложенной технологии. В дальнейшем предполагается доработка нейронной сети с целью улучшения ее характеристик. В частности, требуют улучшения скоростные характеристики. Планируется провести дополнительные исследования методов сравнения описывающих векторов. Планируется сгенерировать нейронную сеть для автоматического сравнения дескрипторов с учетом того, что сеть сможет обучаться в процессе работы. Это приведет к большей универсализации метода в целом. В дальнейшем предполагается модифицировать и опробовать модель для обработки таких данных как звук и видеоизображения. Предполагается дополнительно разработать серию входных фильтров для различного типа информаций.

Наиболее выгодно реализовать приведенную модель в виде отдельного специализированного устройства с высокой степенью параллелизма, так как нейронные сети достигают наибольшей производительности именно в таком варианте исполнения. Предполагается спроектировать устройство, выполненное частично на аналоговых элементах, что позволит существенно повысить производительность и качество первичной обработки.

Публикации

1) Федотова Д.Э., Подкосов Д.Н., Быстрый поиск в BLOB-полях абстрактно-ассоциативным методом. / Математическое обеспечение вычислительных систем. Сборник научных трудов по материалам XLIX научно-технической конференции, -Москва, МИРЭА, 2000 г.

2)Подкосов Д.Н., Федотова Д.Э. Идентификация информационных кластеров по сверткам, полученным при помощи р-нейронных пространств / Проблемы математического обеспечения, Сборник научных трудов, -Москва, МИРЭА, 2000 г.

3)Подкосов Д.Н., Свойства протонейронных пространств / Программное обеспечение ЭВМ и сетей, МИРЭА, 2001 г.

4)Подкосов Д.Н., Поиск "скрытых дублей" в базах данных / Проблемы математического обеспечения, Сборник научных трудов, МИРЭА, -Москва, 2000 г.

5)Подкосов Д.Н., Математический аппарат для поиска информации в бинарных полях баз данных / Современные информационные технологии в управлении и образовании - новые возможности и перспективы, Сборник научных трудов, ФГУП НИИ «ВОСХОД», МИРЭА, СИРИУС, -Москва, 2001 г.

6)Подкосов Д.Н., Управление работой Р-нейронной сети / Теоретические вопросы программного обеспечения, Межвузовский сборник научных трудов, МИРЭА, -Москва, 2001 г.

7)Подкосов Д.Н., Применение на практике нечеткого поиска / Современные информационные технологии в управлении и образовании в рамках всероссийской программы Электронная Россия, Сборник трудов, ФГУП НИИ «ВОСХОД», МИРЭА, СИРИУС -Москва, 2001 г.

8)Подкосов Д.Н., Математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей / Теоретические вопросы вычислительной техники и математического обеспечения, МИРЭА, -Москва, 2003 г.

Список литературы диссертационного исследования кандидат технических наук Подкосов, Дмитрий Николаевич, 2003 год

1. Армстронг Дж. Р. Моделирование цифровых систем. М.:Мир, 1992,- 174 с.

2. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++: Пер. с англ 2-е изд. - М.: БИНОМ, 1999.

3. Веников В.А., Веников Г.В. Теория подобия и моделирования. М.: Высшая школа, 1984.

4. Вермишев Ю.Х. Методы автоматического поиска решений при проектировании сложных систем.-М.: Радио и связь, 1982.

5. Влиссидес Дж., Гамма Э., Джонсон Р., Хелм Р. Приемы объектно-ориентированного проектирования. Санкт-Петербург: Питер, 2001. ISBN 5-272-00355-1.

6. Вожняковский X., Трауб Дж. Общая теория оптимальных алгоритмов. М.: Мир, 1983.

7. Гаврилов Г.П. Логический подход к искусственному интеллекту. -М.: Мир, 1998.

8. Гайдышев И. Анализ и обработка данных: специальный справочник. Санкт-Петербург: Питер, 2001. ISBN 5-318-00220-Х

9. Галушкин А.И. О решении задач сортировки с использованием нейронных сетей.-М.: Нейрокомпьютер, 1994.-С.35-40.

10. Ермаков А.Е. Тематический анализ текста с выявлением сверхфразовой структуры //Информационные технологии. 2000. -N11.

11. Ермаков А.Е. Проблемы полнотекстового поиска и их решение/Мир ПК. 2001. - N 5.

12. Ермаков А.Е., Плешко В.В. Тематическая навигация в полнотекстовых базах данных//Мир ПК. 2001. - N 8.

13. Ермаков А.Е., Плешко В.В. Ассоциативная модель порождения текста в задаче классификации//Информационные технологии. 2000. - N 12.

14. Ермаков А.Е., Харламов А.А. Применение динамической нейронной сети для распознавания речи //Нейрокомпьютеры. 2000. - N 1.

15. Ефимов Е.И. Решатели интеллектуальных задач. М.: Наука ГР ФМЛ, 1982.

16. Заде J1. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

17. Зубов Н.В., Мутлу О.В. Исследование феноменологических уравнений нейродинамики. Санкт-Петербург: Изд. Санкт-Петербургского университета, 1999.

18. Йордон Э., Аргила К. Структурные модели в объектноориентированном анализе и проектировании: Пер. с англ. М.: ЛОРИ,1999.

19. Карташова Е. Об одном инструменте аналитика//Сотри1ег\уогМ 2 -1997. N22.

20. Лорьер Ж.Л. Системы искусственного интеллекта. М.: Мир,1991.

21. Марк Леон Универсальные серверы. Какая технология победит? //Computerworld 1996.-N47.

22. Муравьев И.П., Фролов А.А. Нейронные модели ассоциативной памяти.-М.: Наука, 1987.

23. Нильсон Н. Искусственный интеллект: Методы поиска решений. М.: Мир, 1973.

24. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

25. Орёл Е.Н. Основы теории интеллектуальных систем. М.: МИРЭА, 1998.

26. Подкосов Д.Н. Математический аппарат для поиска информации в бинарных полях баз данных. Современные информационные технологии в управлении и образовании новые возможности и перспективы: Сборник научных трудов. ФГУП НИИ «ВОСХОД». - М.: МИРЭА, 2001.

27. Подкосов Д.Н. Поиск "скрытых дублей" в базах данных. Программное обеспечение ЭВМ. М.: МИРЭА, 2001.

28. Подкосов Д.Н. Свойства протонейронных пространств. Программное обеспечение ЭВМ. М.: МИРЭА, 2001.

29. Подкосов Д.Н., Управление работой Р-нейронной сети. Теоретические вопросы программного обеспечения. М.: МИРЭА, 2001.

30. Подкосов Д.Н., Федотова Д.Э. Быстрый поиск в BLOB-полях абстрактно-ассоциативным методом. Математическое обеспечение вычислительных систем. Сборник научных трудов по материалам XLIX научно-технической конференции. М.: МИРЭА, 2000.

31. Подкосов Д.Н., Федотова Д.Э. Идентификация информационных кластеров по сверткам, полученным при помощи р-нейронных пространств. Проблемы прикладной математики. Сборник научных трудов.- М.: МИРЭА, 2000.

32. Пугачев B.C. Лекции по функциональному анализу.-М.: МАИ, 1996.

33. Саати Т., Керне К. Аналитическое планирование. Организация систем.- М.: Радио и связь, 1991.

34. Романцев В.В., Яковлев С.А. Моделирование систем массового обслуживания. СПб.: Поликом, 1995.

35. Сборник: Классификация и кластер. М.: Мир, 1980.

36. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высш. школа, 1998.

37. Сушков Б.Г. Нейронные сети для построения маршрутов в сетях. -М.: ВЦ РАН, 1995.

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

39. Фомин Н.В. Операторные методы теории линейной фильтрации случайных процессов. Санкт-Петербург: Издательство Санкт-Петербургского университета, 1996.

40. Хованов Н.В. Анализ и синтез показателей при информационном дефеците. Санкт-Петербург, Издательство Санкт-Петербургского университета, 1996.

41. Цыпкин Я.З. Информационная теория идентификации: Физмат-лит. -М,: Наука, 1995.

42. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатом-издат, 1983.

43. Шеннон Р. Имитационное моделирование систем Искусство и наука. - М.: Мир, 1978. - 418 с.

44. Щербаков М.А. Искусственные нейронные сети. Пермь: ПГТУ, 1996.

45. Abrahamson S.L. Pulse Coupled Neural Networks for the Segmentation of Magnetic Resonance Brain Images, MS Thesis, Air Force Institute of Technology, Dayton, OH, USA, 1996.

46. Abrahamson S.L. Pulse Coupled Neural Networks for the Segmentation of Magnetic Resonance Brain Images, MS Thesis, Air Force Institute of Technology, Dayton, OH, USA, 1996.

47. Bishop C.M. Neural networks and pattern recognition. Oxford Press, 1995.

48. Broussard R.P., Rogers S.K. Physiologically motivated image fusion using pulse-couplet neural networks, Proc. SPIE, vol.2760, pp. 372-383, 1996.

49. Broussard R.P., Rogers S.K. Physiologically motivated image fusion using pulse-coupled neural networks. Proc. SPIE, vol. 2760, pp. 372-383, 1996.

50. Eckhorn R., Reitboeck H.J., Arendt M. and Dicke P. Feature linking via synchronization among distributed assemblies: simulation of results from cat visual cortex. Neural Computation, vol. 2, pp. 293-307, 1990.

51. Eckhorn R., Stimulus-evoked synchronization in the visual cortex: Linking of local features into global features? Neural Cooperativity, J. Kruger, (ed.), Springer, London, UK, 1989.

52. Lauterbur P.C. Image Formation by Induced Interactions: Examples Employing Nuclear Magnetic Resonance. Nature vol. 242, pp. 190-191, 1973.

53. Linblad Т., Kinser J.M. Image Processing using Pulse-Coupled Neural Networks, Springer, London, UK, pp 101-130, 1998.

54. Linblad Т., Kinser J.M. Image Processing using Pulse-Coupled Neural Networks, Springer, London, UK, pp. 101-130, 1998.

55. Talagala S.L., Lowe I.J. Introduction to Magnetic Resonance Imaging. Concepts in Magnetic Resonance, vol. 3, pp. 145-159, 1991.56. www.informix.com.ua57. www.metric.ru

56. Словарь терминов и обозначений

57. Апплет программы на Java, которые предназначены для того, чтобы загружаться посредством браузера, а затем работать в окне браузера.

58. БПР- блок принятия решения.

59. Дескриптор описывающий вектор.

60. Доверительные пределы в задачах классификации границы принадлежности вектора конкретному классу.

61. Задача кластеризации задача размещения входных векто-ров(образов) по категориям(кластерам), так чтобы близкие векторы(схожие образы) оказались в одной категории.

62. ИНС (Искусственные нейронные сети) модели биологических нейронных сетей мозга, в которых нейроны имитируются относительно простыми, часто однотипными, элементами(искусственными нейронами).

63. ИС информационная система.

64. Катридж средство расширения ядра СУБД "Oracle".

65. КУС концепция универсального сервера.

66. Мультимедиа информация аудио-визуальная информация на основе сложных типов данных.

67. Нейроинформатика (нейрокомпьютинг) научное направление, которое занимается разработкой вычислительных систем на основе принципов работы биологических нейронных сетей.

68. Номинальная переменная (нечисловая переменная, номинальный признак) переменная, которая определена на конечном множестве значений. Номинальные переменные могут быть ординальными (упорядоченными) и категориальными (неупорядоченными).

69. ОРСУБД система управления объектно-реляционными базами данных.

70. Пиксель наименьшая часть изображения, которая может быть отображена на экране компьютера.

71. Рецептивное поле множество нейронов, объединенных посредством нейронных связей.

72. РСУБД система управления реляционными базами данных.

73. СБИС сверхбольшие интегральные схемы

74. Синаптическая связь связь между нейронами НС.

75. Слой нейронной сети один или несколько нейронов, на входы которых подается один и тот же общий сигнал.

76. СУБД система управления базами данных.

77. ХД хранилище данных. Это предметно-ориентированный, интегрированный, неизменяемый, поддерживающий хронологию набор данных, организованный для целей поддержки принятия решений.1. ЭС экспертная система.

78. ABSTR операция абстрагирования данных.1. Agent программный агент

79. APRP (Adaptive Pattern Recognition Processing) технология адаптивного распознавания образов.1. В-Тгее двоичное дерево

80. С++ объектно-ориентированный язык программирования.

81. DataBlade средство расширения ядра СУБД "Informix".

82. HTML (HyperText Markup Language) язык разметки гипертекста. Система кодов для разметки документов. Применяется для документов, циркулирующих в среде World Wide Web.1. идентификатор.

83. Java язык программирования.

84. I (linking leaky integrators) связывающий интегратор в примитивах PCNN. LLI регулирует коэффициент усиления, а также выдает константный уровень сигнала во время спада импульса в рецептивном поле.

85. B большие двоичные объекты (тип данных СУБД).

86. OCR система оптического распознавания.1. Offline автономный.

87. Online оперативно доступный.

88. RDF язык описания ресурсов, построенный на основе XML.1. SQL язык запросов СУБД.

89. UDF средство расширения функциональных возможностей СУБД InteBase посредством подключения пользовательских динамических библиотек и вызова процедур и функций этих библиотек в запросах и хранимых процедурах СУБД.

90. VRML (Virtual Reality Modeling Language) формат файлов описания интерактивных трехмерных объектов.