Математическое обеспечение многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности тема диссертации и автореферата по ВАК РФ 05.13.11, доктор технических наук Геппенер, Владимир Владимирович

• Геппенер, Владимир Владимирович
• доктор технических наук
• 2000

Оглавление диссертации доктор технических наук Геппенер, Владимир Владимирович

Введение.

Глава 1. Принципы построения многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности.

1.1. Распознавание образов - основные понятия и общая методология.

1.2. Распознавание образов как задача искусственного интеллекта. Экспертные системы в задачах распознавания сигнальной информации.

1.3. Принципы многоуровневой обработки данных в распознающих системах со сложной структурой сигнальной информации.

1.4. Прикладные задачи распознавания сигнальной информации, рассмотренные в диссертационной работе.

1.5. Выводы.

Глава 2. Методы формирования многоуровневых признаковых описаний для распознавания сигнальной информации.

2.1. Построение многоуровневых признаковых описаний в задаче распознавания гидроакустических сигналов.

2.1.1. Некоторые представления физической модели г/а сигнала.

2.1.2. Математическая модель сигнала на уровне источника и влияние канала распространения.

2.1.3. Формирование признакового описания г/а сигналов.

2.1.4. Последовательный алгоритм выделения гармонических составляющих (ГС).

2.1.5. Выделение гармонических сигналов на основе модели нестационарного сигнала.

2.1.6. Алгоритмы выделения полигармонических сигналов-звукорядов.

2.1.7. Идентификация ПГС.

2.1.8. Обучаемый алгоритм выделения ПГС.

2.1.9. Алгоритмы разделения объектов.

2.2. Многоуровневое описание сигналов на основе структурного подхода.-.

2.2.1. Феноменологическая модель ЭЭГ сигнала и общие принципы клинической интерпретации ЭЭГ.

2.2.2. Общие концепции применения структурного подхода к описанию и распознаванию сигналов.

-32.2.3. Структурная модель ЭЭГ.

2.2.4. Общая структура системы принятия решений первого уровня. Получение и классификация ЭЭГ феноменов.

2.3. Многоуровневое описание сигналов в задачах распознавания подповерхностных объектов при использовании сверхшйрокополосного геолокатора.

2.3.1. Методы обнаружения и выделения подповерхностных объектов применительно к задаче распознавания.

2.3.2. Адаптивные методы подавления мешающих сигналов при обработке геолокационных сигналов на основе wavelet-преобразования.

2.3.3. Формирование признакового описания сигналов геолокатора для решения задачи классификации.

2.4. Выводы.

Глава 3. Устранение априорной неопределенности в задачах распознавания сигналов на основе использования инвариантных методов.

3.1. Модельный подход и инвариантность систем распознавания сигналов.

3.2. Применение положений теории инвариантности к распознаванию образов.

3.2.1. Инвариантная форма представления сигнала при распознавании на фоне аддитивных помех.

3.2.2. Анализ эффективности инвариантного описания сигнала относительно аддитивной помехи.

3.2.3. Инвариантная форма представления сигнала при наличии частотно-зависимого затухания по дальности.

3.2.4. Комплексная инвариантная форма представления сигнала при наличии аддитивной помехи и частотно-зависимого затухания.

3.2.5. Сведение задачи инвариантности к частотно-зависимому затуханию к аддитивной модели.

3.2.6. Случай неточного знания коэффициента частотно-зависимого затухания.

3.2.7. Применение линейных регрессионных моделей для построения инвариантных форм представления сигнала.

3.2.8. Адаптивное формирование максимального инварианта по обучающей выборке.

3.3. Устранение априорной неопределенности при распознавании в условиях помех методом непосредственного синтеза инвариантных решающих правил.

3.3.1. Общая постановка задачи непосредственного синтеза помехоустойчивых решающих функций.

3.3.2.Условие помехоустойчивости линейного классификатора.

3.3.3.Непараметрические методы построения помехоустойчивого классификатора.

3.3.4. Обобщенные алгоритмы обучения помехоустойчивого классификатора, основанные на применении рекуррентных методов адаптации.

3.3.5. Параметрический метод обучения классификатора для случая двух классов с равными матрицами ковариаций.

3.3.6. Расчет вероятностей ошибок классификации линейных решающих правил в условиях помех.

3.3.7. Линейное приближение формулы для разделяющего вектора в случае нестационарной по спектру помехи.

3.3.8. Учет возможных флуктуаций помехи при обучении.

3.3.9. Помехоустойчивая разделяющая функция для случая двух классов с неравными ковариационными матрицами при наличии одиночной помехи.

3.3.10. Оценка практической применимости предлагаемого метода построения помехоустойчивой распознающей системы.

3.4. Выводы.

Глава 4. Методы устранения априорной неопределенности, связанные с текущим изменением статистической структуры сигнала в процессе функционирования РС.

4.1. Артефакты ЭЭГ и задача их обнаружения и выделения.

4.2.Разработка методов обнаружения артефактов в ЭЭГ.

4.2.1. Алгоритм кумулятивных сумм.

4.2.2. Модификации алгоритма кумулятивных сумм, разработанные для решения задач обнаружения артефактов.

4.3. Методы оптимизации алгоритма кумулятивных сумм.

4.3.1. Параметрические методы настройки.

4.3.2. Выборочные методы настройки.

4.3.3. Адаптивная настройка АКС.

4.4. Применение алгоритма кумулятивных сумм для обнаружения разладок в сигналах, описываемых авторегрессионой моделью.

4.4.1. Одномерные АР-последовательности.

4.4.2. Многомерные АР-последовательности.

4.4.3. Применение АКС для одномерных AP-моделей.

4.4. Статистическое моделирование процедуры обнаружения разладки.

4.5. Использование wavelet-преобразования при решении задачи классификации артефактов.

4.5.1. Применение разложения по пакету wavelet'oB для выделения классификационных признаков при распознавании типов артефактов.

4.5.2. Синтез wavelet-фильтра, минимизирующего энергию взаимной корреляционной функции wavelet-коэффициентов 2-х сигналов.

4.5.3. Схема адаптивной фильтрации сигналов с использованием wavelet-преобразования для удаления артефактов.

4.6. Эксперименты по выделению и классификации артефактов.

4.7. Выводы.

Глава 5. Многоуровневые системы распознавания на основе использования разнородных признаков и анализа структуры классов.

5.1. Представление алгоритмов работы распознающих систем в виде алгебраических структур.

5.2. Использование алгоритма группировки для анализа структуры классов в задаче построения решающих правил.

5.3. Алгоритм автоматической классификации на основе использования кластер-анализа.

5.4. Построение многоуровневых распознающих систем на основе алгоритма "Геконал".

5.4.1 .Алгоритмы обучения и принятия решения в системе "Геконал".

5.4.2. Исследование сходимости процесса обучения алгоритма "Геконал".

5.4.3. Учет вероятностных характеристик при принятии решений в алгоритме "Геконал".

5.4.4. Минимизация количества миноров-эталонов и формирование факторов уверенности.

5.5. Оптимизация решающих правил в задачах многоклассового распознавания.

5.5.1 Методы построения многоклассовых распознающих систем.

5.5.2. Алгоритмы многоклассового распознавания, основанные на использовании структурных матриц.

5.5.3. Построчное сокращение структурной матрицы Ас применением методов поиска кратчайших покрытий.

-65.5.4. Сокращение структурной матрицы А способом приведения подобных и удаления поглощающих строк.

5.5.5. Построение параллельного решающего правила много классовой классификации.

5.5.6. Построение последовательного решающего правила многоклассовой классификации. Метод последовательных дихотомий.

5.6. Выводы по главе.

Глава 6. Многоуровневые системы распознавания на основе деревьев решений.

6.1. Деревья решений в задачах распознавания.

6.2. Четкие деревья решений на основе граф-схем и их свойства.

6.2.1. Общий алгоритм построения граф-схемы.

6.2.2. Граф-схемы на основе бинарных признаков.

6.2.3. Классифицирующие свойства бинарной граф-схемы.

6.2.4. Распознавание с помощью граф-схем.

6.2.5. Устранение неопределенности методом расширения обучающей выборки.

6.2.6. Бинаризации признаков как способ устранения тупиковых ситуаций.

6.2.7.Линейно-упорядоченные признаки.

6.2.8. Граф-схема как наилучшее продолжение для случая линейно-упорядоченных признаков.

6.2.9. Монотонность граф-схемы.

6.2.10. Пример построения граф-схемы с использованием бинаризации признаков.

6.3. Использование деревьев решений на основе граф-схем в задаче автоматического построения базы знаний экспертной системы.

6.4. Нечеткие деревья решений на основе граф-схем.

6.4.1. Нечеткие события, классы и признаки.

6.4.2. Задача нечеткого обучения с учителем.

6.4.4. Эквивалентность обучающих множеств.

6.4.5. Нечеткие графы и граф-схемы.

6.4.6. Свойства нечеткой граф-схемы как решающего правила.

6.4.7. Алгоритм построения нечеткой граф-схемы.

6.4.8. Бинаризация признаков в нечеткой граф-схеме.

6.4.8. Пример построения нечеткой граф-схемы возможностей.

6.5.Вывод ы.

Глава 7. Индуктивное обучение на примерах с использованием векторов подмножеств и методов теории грубых множеств.

7.1. Использование векторов подмножеств для представления обучающей выборки.

7.1.1. Определение понятия вектора подмножеств.

7.1.2. Алгебра для работы с векторами подмножеств.

7.2. Метод обучения, основанный на теории грубых множеств.

7.2.1. Введение в теорию грубых множеств

Введение диссертации (часть автореферата) на тему «Математическое обеспечение многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности»

Актуальность работы. Проблемы разработки математического и программного обеспечения систем распознавания сигналов различной природы являются актуальными в течение последних 20-30 лет. Это связано с развитием средств вычислительной техники и внедрением ее во все области человеческой деятельности, развитием теоретической базы построения систем распознавания, превращением теории распознавания образов в достаточно законченную область научных знаний, а также, с постоянным ростом потребностей человеческого общества в автоматизации различных задач обработки информационных потоков.

Несмотря на огромное число работ и исследовательских групп в области проблематики систем распознавания, основные результаты исследований лежат в русле создания методов решения задач распознавания, связанных с тем или иным подходом (статистическим, детерминистским, логическим, синтаксическим, нейросетевым). Построение систем распознавания для конкретных прикладных областей представляет собой весьма сложную проблему. Эта проблема связана с тем, что решение конкретной прикладной задачи почти всегда носит комплексный характер, связанный с необходимостью понимания структуры источников распознаваемой информации, исследованием носителей информации, выделением информации, связанной непосредственно с процессом распознавания, анализом классификационной структуры информации, выбором метода построения системы принятия решений. Основные сложности решения перечисленных подзадач связаны с исходной априорной неопределенностью знаний о структуре распознаваемого сигнала или, другими словами, с отсутствием формальной модели его описания, а также с априорной неопределенностью условий формирования сигнала, в том числе связанной с каналом распространения.

В диссертационной работе рассматриваются задачи распознавания сигналов со сложной информационной структурой. Под этим понимается возможность декомпозиции модели описания сигнала на разнородные компоненты, связанные с различными физическими процессами формирования сигнала. Декомпозиция модели сигнала порождает необходимость создания многоуровневых систем распознавания сигналов. Таким образом, проблема разработки системы распознавания может быть сведена к задачам идентификации типа априорной неопределенности формирования сигнала, ее преодоления, а также создания многоуровневой системы обработки, ориентированной на сложную структуру распознаваемой сигнальной информации. Проблема разработки такого комплексного подхода к созданию систем распознавания сигнальной информации в настоящее время недостаточно разработана и в связи с этим является актуальной. Перспективным направлением при разработке систем распознавания сигнальной информации является использование современных технологий обработки знаний, в частности экспертных систем. Проблемы формирования баз знаний таких систем представляет собой весьма трудоемкую и слабо формализуемую задачу. В связи с этим актуальными являются задачи автоматического формирования баз знании применительно к создания ЭС для решения задач распознавания сигналов, рассмотренные в работе. Актуальными являются также проблемы, связанные с разработкой алгоритмического и программного обеспечения систем распознавания сигнальной информации для многочисленных прикладных областей. В диссертационной работе разрабатываемые теоретические подходы использовались при решении конкретных задач, связанных с разработкой систем классификации сигналов в областях гидроакустики, электроэнцефалографии и геолокации.

Общее содержание диссертационной работы соответствует научному направлению "Распознавание образов и обработка изображений" Государственной научно-технической программы "Перспективные информационные технологии".^

Целью диссертационной работы является разработка общих принципов построения алгоритмической структуры и создание программного обеспечения многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности.

Предмет исследования. В диссертации рассматриваются следующие вопросы:

• разработка общего подхода к построению математического обеспечения многоуровневых систем распознавания сигналов со сложной информационной структурой в условиях существенной априорной неопределенности;

• разработка методов формирования многоуровневого признакового описания в задачах распознавания сигнальной информации;

• исследование алгоритмических методов устранения априорной неопределенности в задачах распознавания сигнальной информации, связанной с моделями формирования и влиянием канала распространения сигналов;

• разработка алгоритмов построения многоуровневых систем принятия решений на основе методов анализа структуры классов распознаваемых объектов;

• разработка принципов и алгоритмов построения систем распознавания на основе четких и нечетких деревьев решений;

• разработка принципов построения систем распознавания на основе концепции обучаемых экспертных систем для решения задач распознавания сигналов и разработка алгоритмов индуктивного обучения для автоматического формирования баз знаний;

• разработка алгоритмического и программного обеспечения для решения прикладных задач распознавания сигнальной информации .

Методы исследования. В диссертационной работе использован аппарат теории случайных процессов, математической статистики, теории алгебраических структур, теории цифровой обработки сигналов, распознавания образов, теории систем с искусственным интеллектом.

Научная новизна работы заключается в следующем:

1. Разработан общий подход к построению систем распознавания сигнальной информации, заключающийся в идентификации типа априорной неопределенности модели представления сигнала, формировании многоуровневого признакового описания в соответствии с идентифицированной моделью и разработке методов построения многоуровневых систем принятия решений.

2. Разработаны новые алгоритмы формирования описания сигналов в многоуровневых системах распознавания применительно к различным проблемным областям на основе использования спектральных представлений, пространственно-временной обработки, wavelet - анализа, синтаксического анализа описания формы сигналов.

3. Предложены алгоритмические методы устранения априорной неопределенности, связанной с каналом распространения сигнала на основе использования принципов инвариантности при формировании описаний сигнала и синтезе решающих функций.

4. Разработаны эффективные методы устранения априорной неопределенности, связанной с условиями проведения экспериментов, на основе обнаружения и классификации изменений динамических моделей сигналов .

5. Разработаны принципы построения многоуровневых систем распознавания на основе концепции сложных классов.

6. Разработаны методы и алгоритмы построения деревьев решений на основе использования четких и нечетких граф-схем.

-127. Предложены принципы построения обучаемых экспертных систем в задаче распознавания на основе методов индуктивного обучения с использованием алгоритмов построения деревьев решений на основе граф-схем, а также методов теории грубых множеств.

Практическая ценность результатов работы заключается в следующем:

• Разработанные алгоритмические подходы к построению многоуровневых систем распознавания сигнальной информации позволили решить конкретные задачи распознавания применительно к системам обработки гидроакустической, биомедицинской и геолокационной информации.

• Практическим достоинством работы является то, что комплекс общетеоретических результатов, связанных с построением многоуровневых систем распознавания, образует единый подход с прикладными методами, моделями и алгоритмами, которые составляют соответствующую информационную технологию решения сложных задач распознавания сигнальной информации для широкого круга прикладных задач.

• Разработанные алгоритмы обучения распознающих систем на основе использования граф-схемного подхода и теории грубых множеств и алгоритма Теконал" создают практические возможности разработки обучаемых экспертных систем с интегрированными базами знаний.

Достоверность научных и практических результатов. Научные положения, выводы и рекомендации, сформулированные в диссертации, строго аргументированы, их достоверность является установленным фактом. Достоверность теоретических результатов в области разработки алгоритмов обработки и распознавания сигнальной информации подтверждается четкостью формулировок и постановок, корректностью математических выкладок, строгостью доказательства теорем и четкостью используемых ограничений. Достоверность выводов и результатов подтверждается также их исследованием на модельных сигналах, а также использованием при решении прикладных задач и примеров. Сопоставление прикладных результатов показывает их хорошую согласованность с теоретическими выводами и соответствует представлениям специалистов.

Реализация результатов работы. Работа выполнялась в рамках научно-технических программ "Конверсия вузов России" (1996-1997 г.г.), "Университеты России" (Разработка математических методов и инструментальных средств построения нечетких деревьев решений в задачах распознавания образов, 1994-1997 г.г.), в 1998-2000 г.г. работа поддержана Российским Фондом фундаментальных исследований ( грант № 98-01-00578 "Методы визуализации и классификации подповерхностных объектов и структур на основе сверхширокополосного радиолокационного зондирования").

Тема диссертационной работы тесно связана с выполнявшимися в СПбГЭТУ в период с 1975-2000 г.г. научно-исследовательскими и опытно-конструкторскими работами по заказам организаций Министерств Судостроительной и Радиоэлектронной промышленности, в том числе в соответствии с постановлениями Правительства СССР (Акустический институт, г. Москва, НИИ "Атолл", г. Дубна, НПО "Ленинец", г. С.-Петербург, НПО "Океанприбор", С.Петербург и ряд других организаций), а также по линии секции прикладных проблем АН СССР ( РФ), госбюджетных НИР (1991-2000 г.г.) совместно с ВЦ АН РФ (НИР "Кит-АН" -"Исследование и разработка новых информационных технологий"), НИИ Радиоэлектронных средств прогнозирования чрезвычайных ситуаций "Прогноз" при СП6ГЭТУ( НИР Б-025 -Разработка аппаратно-программных средств систем интеллектуальной поддержки оператора АРМ по контролю и прогнозированию чрезвычайных ситуаций, НИР БФ-43 - "Исследование робастных методов пространственно временной обработки многомерных сигналов в сейсмоакустических системах контроля ЧС").

Результаты работы внедрены в НИИ "Атолл", г. Дубна, Акустическом институте, г. Москва, ЦНИИ, "Морфизпрбор", г. С.-Петербург, в Институте Эволюционной физиологии им, И.М. Сеченова Российской академии наук, г. С.-Петербург, ОАО "Радиоавионика", г. С.Петербург, НПО "Аврора", г. С.-Петербург.

Научные результаты и разработанное программное обеспечение используется в учебном процессе по курсам "Системы цифровой обработки сигналов", "Анализ и интерпретация данных", "Системы искусственного интеллекта" для подготовки студентов по специальностям 220400, 010200 в Санкт-Петербургском Государственном Электротехническом Университете, а также в учебном процессе в Новгородском Государственном университете им. Ярослава Мудрого и Ижевском Государственном техническом университете.

Публикации. По материалам диссертации опубликовано 132 печатных работы, из них 59 статей, 70 тезисов докладов на конференциях, 3 авторских свидетельства на изобретения.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Геппенер, Владимир Владимирович

Основные результаты работы заключаются в следующем.

1. Предложен общий подход к построению многоуровневых систем распознавания сигнальной информации в условиях априорной неопределенности. Подход основан на декомпозиции модели описания сигнала на разнородные компоненты, связанные с различными процессами формирования сигнала, идентификации типа априорной неопределенности, разработке методов ее преодоления, формировании многоуровневой системы признакового описания и принятия решений.

Предложенная общая концепция построения систем распознавания сигнальной информации определяет комплексный подход к процессу разработки математического и программного обеспечения таких систем, расширяя известные подходы к построению систем распознавания за счет объединения принципов многоуровневой обработки информации и методов преодоления априорной неопределенности.

2. Разработаны методы и алгоритмы построения многоуровневого признакового описания для сигналов различных типов. Предложены методы и алгоритмы обнаружения гармонической и полигармонической структуры шумовых случайных сигналов с дискретным спектром для стационарной и нестационарной модели сигнала, оценивания параметров и идентификации обнаруженных гармонических компонент, построения их признакового описания. Разработаны структурные модели сигналов применительно к задачам обработки биомедицинской информации. Предложена двухуровневая система построения классификационных признаков на основе разработанных грамматик для описания пиков и волн в ЭЭГ сигналах.

Предложены алгоритмы формирования признакового описания сигналов, заданных в пространственно-временной области, применительно к задачам геолокации. Разработана структура многоуровневого описания сигналов подповерхностных объектов в геолокаторе на основе представления их в виде полутоновых изображений.

3. Разработаны методы преодоления априорной неопределенности при искажении сигналов в среде распространения, на основе формирования инвариантных признаков для моделей искажений сигналов, допускающих описание с помощью алгебраических групп преобразований. Предложены алгоритмы построения инвариантных признаковых описаний случая нескольких аддитивных помех, модели частотно-зависимого затухания сигнала в среде распространения. Предложены алгоритмы построения инвариантных описаний для комплексных моделей сигнала, неточно известных моделей. Разработаны подходы к построению инвариантных признаковых описаний с использованием методов обучения.

4. Разработаны методы непосредственного синтеза помехоустойчивых решающих функций линейного типа. Предложены методы построения таких функций на основе оптимизации функционала качества при наличии ограничений, определяемых нормированным вектором помех. На основании этого подхода получены помехоустойчивые аналоги известных решающих функций статистического и детерминированного типа. Получены условия существования решения задачи непосредственного синтеза помехоустойчивых решающих функций.

5. Разработаны алгоритмы преодоления априорной неопределенности за счет обнаружения моментов изменения динамической модели сигнала и классификации типов изменения модели применительно к проблеме обнаружения артефактов при обработке ЭЭГ сигналов. Методы основаны на использовании модифицированного алгоритма кумулятивных сумм и использовании спектральной меры различия на основе дивергенции Кульбака. Разработаны конкретные алгоритмы для сигналов, описываемых авторгрессионными моделями. Решена задача классификации артефактов и выделения артефактов в ЭЭГ сигналах с использованием методов \¥ауе1е1>преобразования.

6. Предложены алгоритмы построения многоуровневых систем принятия решений при распознавании на основе модели "сложных" классов и разнородного признакового описания. Предложена модель распознающей системы для разнородного признакового описания, состоящая из набора предварительных классификаторов, построенных с использованием концепции "сложных" классов и блока принятия общего решения. Разработан алгоритм "АВП" на основе принципов кластер-анализа для построения решающих функции для модели "сложных классов". Разработан алгоритм "Геконал" для построения решающих правил блока принятия общего решения. Алгоритм носит универсальный характер и может быть использован для решения задач распознавания с использованием целочисленных или символьных признаковых описаний.

- 422

7. Разработан класс алгоритмов построения деревьев решений на основе граф-схемного подхода. Построены и исследованы свойства алгоритмов построения четких деревьев решений. Предложено расширение модели четких граф-схем для нечеткого задания распознаваемых данных и классов. Разработаны теоретические основы построения нечетких деревьев решений с использованием теории возможностей.

8. Предложены методы и алгоритмы индуктивного обучения на примерах с использованием векторов подмножеств и методов теории грубых множеств, ориентированные на построение решающих правил в задачах разработки обучаемых экспертных систем.

9. Предложены принципы построения интегрированных экспертных систем для решения прикладных задач распознавания сигнальной информации на основе использования разработанных алгоритмов обучения для автоматического формирования баз знаний и комплексирования знаний, получаемых от эксперта и от системы обучения. Разработанные алгоритмы построения деревьев решений и алгоритмы, основанные на принципах теории грубых множеств, могут составить базу для построения инструментальных обучаемых ЭС.

10. Разработаны инструментальные и прикладные программные средства для построения многоуровневых распознающих систем в условиях априорной неопределенности применительно к решению прикладных задач в гидроакустике, геолокации и обработке биомедицинской информации.

В целом, представленные в диссертационной работе результаты носят достаточно общий характер и создают теоретический и практический базис для разработки сложных систем распознавания сигнальной информации для широких областей применения.

Заключение.

Выполненная диссертационная работа содержит результаты исследований, направленных на комплексное решение задачи создания математического обеспечения для систем распознавания сигнальной информации в условиях априорной неопределенности, включая в себя теоретические основы разработки таких систем, конкретные алгоритмы решения задач на всех уровнях распознающей системы и разработку инструментального программного обеспечения и прикладных программных систем для решения широкого круга практических задач.

Список литературы диссертационного исследования доктор технических наук Геппенер, Владимир Владимирович, 2000 год

1. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений-М.: Статистика.- 1974.

2. Алейнер Р.Ш., Лисс А.Р. Равномерно наиболее мощный инвариантный критерий обнаружения полигармонического сигнала // Вопросы судостроения.- сер. 13,- 1974,- вып.1.

3. Александров В.В., Геппенер В.В и др. Применение методов распознавания образов при анализе сложных сигналов // Препринт АН СССР,- М.- 1978,- с.64.

4. Алхасан А.М., Геппенер В.В. Генерация продукционных правил в экспертных системах на основе формирования миноров-эталонов // Известия ТЭТУ; вып.489.- СП6.-1995,- с.64-69.

5. Алхасан М.М., Геппенер В.В. Использование граф-схем для формирования базы знаний экспертной системы // Тез. Докл. Третий международный симпозиум: "Интеллектуальные системы" (ИНТЕЛС'98), Псков,- 1998, с. 131-133.

6. Алхасан М.М., Геппенер В.В. Нечеткая система распознавания на основе деревьев решений // Тез. Докл. Второй международный симпозиум: "Интеллектуальные системы" (ИНТЕЛС'96), Санкт-Петербург,- 1996,- т.2,- с. 190.

7. Алхасан М.М., Геппенер В.В., Трошин К.Л. Нечеткая система распознавания образов // Изв. ГЭТУ: Сб. науч. тр. / Санкт-Петербургский государственный электротехнический университет. СП6.-1996,- Вып.500,- с.80-88.

8. Алхасан М.М., Геппенер В.В., Фигурин В.Н. Построение деревьев решений при нечетком задании исходных данных // Изв. ГЭТУ: Сб. науч. тр. / Санкт-Петербургский государственный электротехнический университет.- СПб.- 1997,-Вып.515. с.64-75.

9. Андреев В.И., Геппенер В.В., Кафтасьев ВН., Савая Х.Д., Тимохин В.И. Экспертная система для обработки и интерпретации электроэнцефалограмм // Труды Международного семинара "Информатика в медицине"(ШТОМЕО 91).- Рига,- 1991.- с.38-41.

10. Астанин Л.Ю., Костылев А.А Основы сверхширокополосных радиолокационных измерений.-М.: Радио и связь,- 1989.

11. Афифи, С. Эйзен. Статистический анализ. Подход с использованием ЭВМ,- М.: Мир,-1982.

12. Ахо А., Ульман Дж.,Теория синтаксического анализа, перевода и компиляции: Пер с англ.- М.: Мир.- 1978, т.1 Синтаксический анализ.- 612 е.; т.2 Компиляция,- 487 с.

13. Б.Уидроу, С.Стирнз. Адаптивная обработка сигналов,- М.: Радио и связь,- 1989,- 440 с.

14. Бадейкин А.В., Геппенер В.В., Кафтасьев. Структура подсистемы предварительной обработки ЭС анализа акустических сигналов // Известия ЛЭТИ. Науч. тр. / Ленинградский электротехнический ин-тим. В.И.Ульянова/Ленина/.- 1988,- вып.394,- с.94-97.

15. Барабаш Ю.Л. Коллективные статистические решения при распознавании,- М.: Радио и связь,- 1983.

16. Блох А.Ш. Граф-схемы и алгоритмы,- М.: ВШ,- 1987,- 144 с.

17. Богданович В.А. Регулярный способ построения максимального инварианта в задачах проверки сложных гипотез // Радиотехника и электроника.- 1972,- т. 17, №4.- с.873-876.

18. Боденштайн Г., Прегориус Х.М. Выделение признаков из электроэнцефалограммы методом адаптивной сегментации // ТИИЭР.- 1977,- т.65,- № 5.

19. Бокс Дж., Дженкинс Г. Анализ временных рядов,- М.: Мир.- 1974, т.1, т.2.

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

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

22. Бородкин Л.И., Моттль В.В. Алгоритм обнаружения моментов изменения параметров уравнения случайного процесса // Автоматика и телемеханика, № 6, 1976, с.23-32.

23. Вальд А. Последовательный анализ,- М.: Наука.- 1960.

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

25. Вейль А. Классические группы, их инварианты и представления.- М.: ИЛ 1947.

26. Викторов А.Д., Геппенер В.В., Кафтасьев В.Н., Кустова Э.Л. Автоматизированное рабочее место оператора по контролю и прогнозированию ЧС в системе экологического мониторинга//Мониторинг, спец. выпуск,- 1996,- с.26-30.

27. Гаврилова Т. А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем,- М.: Радио и связь,- 1992,- 200 с.

28. Гендлер М.Б., Пригожин Б.В., Ковалев A.B., Обручев В.Л. Использование древо-подобных структур в решающих системах // Программные продукты и системы,- N.I.- 1993 -с.50-53.

29. Геппенер В.В., Манохин П.С. Оценивание формантных траекторий при помощи режекторного фильтра // Сб. тезисов докладов Всесоюзной школы-семинара "Автоматическое распознавание слуховых образов" (АРСО-12).- Киев,- 1982,- с.83-85.

30. Геппенер В.В. Алгоритм распознавания образов, учитывающий многомодальность распределения классов // В кн. "Проектирование цифровых вычислительных машин", вып.1, Л., изд. ЛГУ,- 1974,- с.96-103.

31. Геппенер В.В. Деревья решений в задачах распознавания образов // Proceedings of SCM'99 (International Conference on Soft Computing and Measurements), v.2.- Санкт-Петербург,- 1998,- c.130-133.

32. Геппенер В.В. Инвариантное распознавание сигналов в условиях априорной неопределенности параметров канала распространения // Тез. докл. Всесоюзн. конф. "Теория адаптивных систем и ее применение".- М.-Л,- 1983.- с.209-211.

33. Геппенер В.В., Кафтасьев В.Н., Лисс А.Р. Экспертные системы в задачах обработки сигналов // Труды VII Межотраслевой НТК по методам и средствам цифровой обработки информации,- Кишинев,- 1988.

34. Геппенер В.В., Манохин П.С. Исследование и реализация адаптивного обнаружителя гармонических составляющих акустического сигнала // Четвертая Межотраслевая конференция по методам и средствам цифровой обработки информации, ч.З,- Киев,- 1983.

35. Геппенер В.В. Методы распознавания сигналов, подвергнутых искажениям в среде распространения,- Л,- 1979,- 25 с. Рукопись представлена ЛЭТИ им. В.И. Ульянова/ Ленина/. Деп. в НИИЭР 16.02.79, № 3-5815.

36. Геппенер В.В., Паншин И.Г., Ривелис Е.А. Сравнительный анализ характеристик алгоритмов авторегрессионного спектрального анализа // Электронное моделирование.-1988,-№ 1.

37. Геппенер В.В., Александрова A.A. Пространственно-временное разделение объектов по дискретному спектру. // Четвертая Межотраслевая конференция по методам и средствам цифровой обработки информации, ч.З.- Киев,- 1983.

38. Геппенер В.В., Алкин И.К., Тимохин В.И. Аппаратно-программный комплекс для классификации шумовых сигналов // Управляющие системы и машины,- № 3,- 1981,- с. 124127.

39. Геппенер В.В., Бадейкин A.B., Голубев А.Б. Экспертная система для классификации ЭЭГ человека.- С-Петербург,- 1993,- 10 с. Рукопись представлена СПбГЭТУ .Деп.в ВИНИТИ 20.09.93, №2440-В93.

40. Геппенер В.В., Голубев А.Б. Моделирование электроэнцефалографических сигналов // Известия ГЭТУ, сб.науч.труд., СПб.- 1993, вып 458 "Структура и математическое обеспечение специализированных вычислительных устройств",- с.68-74.

41. Геппенер В.В., Емельянов Г.М., Павлюк О.П. Некоторые вопросы использования разложения Карунена-Лоэва в задачах выделения произвольного класса из общей совокупности классов//Известия ЛЭТИ, вып.93, ч.2,- Л,- 1971,- с.70-73.

42. Геппенер В.В., Денисов ДА. , Пороховников М.Ф. Классификация сигналов по их структурным характеристикам. // Сб. Проектирование средств ВТ, проектирование цифровых устройств РТС, вып. 1(42).- Л.-Новгород,- 1973,- с.177-182.

43. Геппенер В.В., Денисов Д. А., Пороховников М.Ф. Система структурного анализа спектральных описаний сигналов. // Сб. Проектирование средств ВТ, проектирование цифровых устройств РТС, вып. 1(42).- Л.-Новгородю- 1973ю- с.171-176.

44. Геппенер В.В., Денисов Д. А. О.П., Емельянов Г.М. Об использовании кусочно-линейных дискриминантных функций для анализа структуры класса. // Известия ЛЭТИ, вып.93, ч.2,-Л,-1971.-с. 67-60.

45. Геппенер В.В., Денисов Д.А., Емельянов Г.М. Аппаратурно-программный комплекс для распознавания шумовых сигналов. // Межвузовский сб. "Прикладная акустика", вып. У.Таганрог.* ТРТИ,- 1977,- с. 80-84.

46. Геппенер В.В., Денисов Д.А., Емельянов Г.М. Экспериментальное исследование адаптивного алгоритма классификации сигналов. // Сб. тезисов докладов итоговой областной НТК НТО РЭС им. A.C. Попова,- Новгород,- 1972,- с.307-315.

47. Геппенер В.В., Емельянов Г.М. Об одном подходе к задачам классификации // Известия ЛЭТИ, вып. 85,- Л,- 1969.

48. Геппенер В.В., Кафтасьев В.Н. Аль-Хасан А.Д. Автоматическая генерация продукционных правил в диагностических экспертных системах // сб. Кибернетика и ВУЗ, вып. 28,- Томск: изд. Томского политех, ун-та,- 1994,- с.22-29.

49. Геппенер В.В., Кафтасьев В.Н. Инвариантные алгоритмы распознавания речевых сигналов в условиях помех // Тезисы докладов XI Всесоюзной школы семинара "Автоматическое распознавание слуховых образов (АРСО-11).- Ереван.- 1980.

50. Геппенер В.В., Кафтасьев В.Н. Некоторые вопросы построения структуры помехоустойчивой распознающей системы // "Известия ЛЭТИ",- 1980, вып.275.-Автоматизация проектирования ЭВМ,- с.68-72.

51. Геппенер В.В., Кафтасьев В.Н. Об улучшении сходимости линейного алгоритма обучения с коррекцией ошибок. // "Известия Вузов Приборостроение", т.24,- 1981,- № 8,-с.50-55.

52. Геппенер В.В., Кафтасьев В.Н. Представление знаний в системе интерпретации акустических сигналов,- В кн. "Семиотические аспекты формализации интеллектуальной деятельности" / Всесоюзная школа-семинар Боржоми-88, Тезисы докладов, М,- 1988,- с. 133136.

53. Геппенер В.В., Кафтасьев В.Н. Система Моделирования на ЕС ЭВМ гидроакустических сигналов движущихся объектов.- VI межотраслевая научно-техническая конференция по методам и средствам обработки гидроакустической информации, ч.4,- Киев,- 1987,- с.9.

54. Геппенер В.В., Кафтасьев В.Н., Назаров В.Б. Комплекс программ многоклассовой классификации,- "Известия ЛЭТИ",- 1978, вып.232,- с.92-97.

55. Геппенер В.В., Кафтасьев В.Н., Назаров В.Б. Математическое обеспечение системы инвариантного распознавания,- Четвертая Межотраслевая конференция по методам и средствам цифровой обработки информации, ч.З,- Киев,- 1983,- с.29-30.

56. Геппенер В.В., Кафтасьев В.Н., Назаров. Пакет прикладных программ обучения классификатора сигналов для СМ ЭВМ // Вопросы кораблестроения, Серия Акустика, вып.23,- 1981,-с.81-85

57. Геппенер ВВ., Кафтасьев ВН., Титов М.С. Проблемы создания и применения " экспертных систем // Судостроение, №2,- 1991.- с.28-30.

58. Геппенер В.В., Кафтасьев В.Н.Халимонова Е.В. Экспертная система интерпретации акустических сигналов. Всесоюзная конференция по искусственному интеллекту // тезисы докладов, Переяславль-Залесский,- 1988, т.2,- с.325-330.

59. Геппенер В.В., Коваленко В.В., Назаров В.Б., Пономарев В.А. Алгоритм выделение на ЦВМ скрытых периодичностей в шумовых сигналах. // Сб. Проектирование средств ВТ, проектирование цифровых устройств РТС, вып. 1(42) Л.-Новгород,- 1973,- с.183-189.

60. Геппенер В.В., Коровацкий В.П., Манохин П.С. Специализированный пакет программ для анализа случайных процессов с полигармогническими компонентами. Деп. отчет, № 79039162, инв. № 767848, ЛЭТИ 1978.

61. Геппенер В.В., Коровацкий В.П., Манохин П.С. Использование F-статистик в задачах выделения гармонических составляющих. // Межвузовский сб. "Прикладная акустика", вып. VI, Таганрог, ТРТИ.- 1978,- с.92-95.

62. Геппенер В.В., Ланне А.А., Черниченко ДА. МАТЛАБ для DSP.Использование GUI WAVEMENU для решения инженерных задач. // Chip News.- 2000,- № 6.- с.2-8.

63. Геппенер В.В., Назаров В.Б. Алгоритмы распознавания при наличии помех. // Автометрия.- 1978.- № 6,- с.66-71.

64. Геппенер В.В., Назаров В.Б. Алгоритмы распознавания шумовых процессов в условиях аддитивных помех. // Сб. Вычислительная техника в автоматизированных системах контроля и управления, Пенза, изд. Пен.Политехн. ин-т,- 1978,- с.58-64.

65. Геппенер В.В., Назаров В.Б. Линейная дискриминантная функция для классификации линейно-нормированных векторов. // Известия ЛЭТИ, вып. 217.- 1977,- с.73-78.

66. Геппенер В.В., Назаров В.Б. Помехоустойчивость линейного алгоритма классификации. // Сб. Вычислительная техника, вып.6. Л., Изд-во Ленингр. ун-та,- 1977,- с.77-82.

67. Геппенер В.В., Назаров В.Б., Вольберг A.A. Алгоритм помехоустойчивого распознавания и практическая реализуемость его возможностей, Л., 1981, 23с. Рукопись представлена ЛЭТИ им. В.И. Ульянова/Ленина/. Деп. в ВИНИТИ 18.02.81, № 761-81.

68. Геппенер В.В., Назаров В.Б., Сенилов М. А. Распознавание шумовых сигналов в условиях помех и частотно-зависимых искажений. // Сб. трудов Всесоюзной школы-семинара по статистической гидроакустике (СГ-10), Сухуми,- 1978,- с.51-53.

69. Геппенер В.В., Сенилов М.А., Тимохин В.И. Использование модельных представлений для формирования эталонов в задачах распознавания сигналов. // Труды VII Всесоюзного совещания "Теория и методы математического моделирования", Куйбышев.-1978,-с. 18-20.

70. Геппенер B.B., Тимохин В.И. Методы формирования моделей сигналов в распознающих системах иерархического типа. // Сб. трудов III международного симпозиума "Системы-Управление-Моделирование", Лодзь,- с. 129-134.

71. Геппенер В.В., Ланне А.А., Черниченко Д.А. МАТЛАБ для DSP.Использование GUI WAVEMENU для решения инженерных задач. Часть 2 // Chip News.- 2000,- № 7,- с. 16-19.

72. Геппенер В.В., Бадейкин А.В., Голубев А.Б., Савая Х.Д. Применение методов структурного анализа для автоматической классификации ЭЭГ человека., С.-Петербург, 12 с. Рукопись представлена СПбГЭТУ .Деп.в ВИНИТИ 20.09.93, № 2441-В93.

73. Геппенер В В.,Казаков Д.А. Граф-схемы в задачах распознавания образов. С-Петербург, 1991, 14 с. Рукопись представлена СПбГЭТУ .Деп.в ВИНИТИ 11.11.91, № 4237-В91.

74. Геппенер В.В., Казаков Д.А. Представление знаний в экспертных системах // Адаптивные и экспертные системы в управлении: Тез. докл. 5-го Ленинградского симпозиума по теории адаптивных систем. Часть 2. -Л,- 1991,- с.80-81.

75. Геппенер В.В., Бадейкин A.B., Халимонова ЕВ. Экспертная система для интерпретации сигналов по дискретному спектру. // Труды VII Межотраслевой НТК по методам и средствам цифровой обработки информации, Кишинев,- 1988.

76. Геппенер В.В. Кафтасьев В.Н., Лисс А.Р. Экспертные системы в задачах обработки сигналов. // Труды VII Межотраслевой НТК по методам и средствам цифровой обработки информации, Кишинев,- 1988.

77. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты.-М.: Радио и связь,- 1985,- 160 с.

78. Даджисон, Р. Мерсеро. Цифровая обработка многомерных сигналов.-М.: Мир,- 1988.

79. Денисов Д. А. Компьютерные методы анализа видеоинформации.-Красноярск: Гос. Университет,- 1993.

80. Дженкинс П., Вате Д. Спектральный анализ и его приложения.-М.: Мир.- 1978.

81. Дрейпер Н., Смит Г. Прикладной регрессионный анализ.-М.: Статистика,- 1978.

82. Дуда Р., ХартП. Распознавание образов и анализ сцен. Пер. с англ.-М.: Мир.- 1976.

83. Дэвис М.Х.А. Линейное оценивание и стохастическое управление.-М.: Наука.-1984.

84. Дюбуа Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике. / Пер. с фр. — М.:Радио и связь,- 1990,- 288 с.

85. Е.Л. Вассерман, В.В. Геппенер, Д.А. Черниченко. Исследование метода обнаружения артефактов в ЭЭГ сигналах с использованием авторегрессионной модели. // Известия ГЭТУ, СПб, 1996, вып.500. с.89-95.

86. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации//Проблемы кибернетики.- 1978,- вып.33,- с.4-68.

87. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Изд-во ,Фан. УзССР, 1974. 120 с.

88. Загоруйко Н.Г. Методы распознавания и их применения. М.: Советское радио.-1972.

89. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирическихзакономерностей,- Новосибирск: Наука,- 1985,- 112 с.

90. Заде Л.А., Понятия лингвистической переменной и его применение к принятию приближенных решений,- М.: Мир,- 1996.

91. Закревский А.Д. Логика распознавания,- Минск: Наука и техника.- 1988,- 118 с.

92. Зенков Л.Р. Клиническая электроэнцефалография Таганрог:Изд. ТРТУ. - 1996.-358с

93. Клименко В.А. Метод резиновой маски /обзор/, Зарубежная радиоэлектроника,- 8,-1974.-c.3-18.

94. Кнорринт В. Г. Предложения по терминологии в области шкал. // Тр. Международной канференции по мятким вычислениям и измерениям, С. Петербург, 1998, т1, с.63-69.

95. Коврикин О.В., Смолянинов Н.Д., Юмырь А.Я., "Экспертные медицинские диагностирующие системы", Изв. АН СССР. Техн. кибернет., 1982, №5.

96. Кофман А. Введение в теорию нечетких множеств,- М.: Радио и связь,- 1982,- 432 с.

97. Кузнецов В.П. Инвариантность решений по отношению к мешающим параметрам, Проблемы передачи информации.- 1971,- т.7,- №4,- с.36-44.

98. Кук Н.М., Макдональд Дж.Э. Формальная методология приобретения и представления экспертных знаний. // ТИИЭР.- 1986,- т. 74,- № 10.

99. Лбов Г.С. Методы обработки разнотипных экспериментальных данных,-Новосибирск: Наука,- 1981.

100. Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений,- Новосибирск: Изд-во Ин-та математики,- 1999,- 270 с.

101. Леакссон Д., Веннбергер Д. Машинный анализ ЭЭГ сигналов с использованием параметрических моделей // ТИИЭР,- 1981,- т.69,- №4.

102. Левин Б.Р. Основы статистической радиотехники,- М.: Радио и связь,- 1989.-653 с.

103. Леман О. Проверка статистических гипотез,- М.: Наука,- 1979.

104. Загоруйко Н.Г. Прикладные методы анализа данных,- Новосибирск: Изд-во Ин-та математики,- 1999,- 270 с.

105. Макхол Д. Линейное предсказание. Обзор // ТИИЭР,- 1975,- т.63,- № 4.

106. Марпл.-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ.- М.: Мир,- 1990.

107. Медич Дж. Статистика, оптимальные линейные оценки и управление,- М,- 1973.

108. Миленький А.В. Классификация сигналов в условиях неопределённости,- М.: Советское радио,- 1975.

109. Минкович И.Я., Перник А.Д., Петровский B.C. Гидродинамические источники звука,- Л.: Судостроение,- 1972.

110. Наймарк М.А. Теория представлений групп.- М.: Наука,- 1976.

111. Немирко А.П. Цифровая обработка биологических сигналов,- М.: Наука,- 1984.

112. Нечеткие множества и теория возможностей. Последние достижения. Под ред. Р. Ягера. М.: Радио и связь,- 1986.

113. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов,- М.: Наука,- 1983,- 199 с.

114. Обнаружение изменения свойств сигналов и динамических систем, (под ред. М. Бассвиль) -М.: Мир,- 1989.

115. Ope О., Теория графов,- М.:Наука,- 1980,- 336 с.

116. Осуга С. Обработка знаний: Пер с англ.- М. : Мир.- 1989.

117. П.М.Грант, К.Ф.Н. Коуэн и др., Адаптивные фильтры,- М.:Мир,- 1988,- 395 с.

118. Прикладные нечеткие системы: Пер. с япон.;под редакцией. Тэрано Т., Асаи К., М. Сугэно M.- М.: Мир,- 1993,- 368 с.

119. Прэтт У. Цифровая обработка изображений, тт. 1,2 М.: Мир,- 1982.

120. Пфанцгаль И. Теория измерений,- М.: Мир,- 1976,- 220 с.

121. Пытьёв Ю.П. Алгоритмы предварительной обработки сигналов в распознающих системах, обобщающих по подобию //Кибернетика.- №3,-1971,- с.23-31.

122. Пытьёв Ю.П. Параметрические групповые обучающие последовательности // Техническая кибернетика,-т.7,- №4,-1971,- с.157-163.

123. Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов,- М.: Радио и связь,- 1981.

124. Рабинер., Б. Гоулд. Теория и применение цифровой обработки сигналов,- М.: Мир.-1978.

125. Ричардсон Дж.М. Распознавание образов и теория групп. // Кибернетический сборник, вып. 18,- М.: Мир,- 1981,- с.177-201.

126. Розенблатт Ф. Обобщение восприятий по группам преобразований // Кибернетический сборник,- № 4,- 1962.

127. Ронкин М.А. Функциональная диагностика нервных болезней.- М.: Медицина,- 1982.

128. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети,- Винница: "Универсум-Винница".- 1999,- 320 с.

129. Справочник по гидроакустике / под ред. Колесникова А.Е. JL: Судостроение.- 1982,344 с.

130. Терминологический словарь (словарь терминов, используемых в электроэнцефалографии) // Физиология человека,- 1978,- том 4,- № 5,- с.939-954.

131. Тимофеев А.В. Полные и непрерывные систем инвариантов в задаче распознавания изображений // Вестник Ленинградского университета, серия: математика-механика-астрономия.-№9,- 1972.-с. 143-144.

132. Тимофеев А.В. Математическая модель инвариантного восприятия и опознания по группам преобразований // сб. Кибернетика и вычислительная техника.- вып.21,- 1973,- с.48.

133. Тимохин В.И. Применение ЭВМ для решения задач распознавания образов,- Л. ЛГУ -1983,- 215 с. (глава 4 написана совместно с Геппенером В.В.)

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

135. Уено X., Исидзука М. Представление и использование знаний,- М,- Мир,- 1989.

136. Уотермен Д. Руководство по экспертным системам,- М.: Мир,- 1989.

137. УрикР.Дж. Основы гидроакустики,- Л.: Судостроение,- 1978.

138. Фомин В.Н. Реккурентное оценивание и адаптивная фильтрация,- М.: Наука,- 1984.

139. Фу К.С. Структурные методы в распознавании образов: Пер с англ.- М.: Мир.- 1977,319 с.

140. Хант Э., Марин Дж., Стоун Ф. Моделирование процесса формирования понятий на вычислительной машине,- М.: Мир.- 1970. -302 с.

141. Харин Ю.С. Адаптивное формирование инвариантных признаков в задаче распознавания образов // Техническая кибернетика,- №5,- 1977,- с.158-164.

142. Харин Ю.С. Об адаптации инвариантных систем распознавния образов. // Теория инватиантности и её применение. Труды 5-го Всесоюзного совещания, ч.1.- 1979,- с.37-43.

143. Хеннан Э. Анализ многомерных временных рядов. М.: Мир,- 1974.

144. Цыпкин ЯЗ. Основы теории обучающихся систем,- М.: Наука,- 1970.

145. Чайлдерс Д.Дж., Скиннер Д.П., Кемерейт Р.Ч. Кепстр и его применение при обработке данных. // ТИИЭР,- т.65,- №10,- 1977.- с.5-23.

146. Орлов В. А. Граф-схемы алгоритмов распознавания,- М.: Наука,- 1982,- 120 с.

147. Шведов A.M., Шмидт A.A. О полной системе инвариантов для некоторого класса задач распознавания образов, Владивосток: Изд. ин-та автоматики и процессов управления ДВНЦАНСССР- 1976.

148. Шведов А.М., Шмидт A.A., Якубович В.А. Инвариантные системы признаков в распознавании образов // Автоматика и телемеханика.- 1979,- №3,- с.131-143.

149. Шикин, А.И. Плис, Кривые и поверхности на экране компьютера. Руководство по сплайнам для пользователей,- М.: ДИАЛОГ-МИФИ,- 1996.

150. Гантмахер Ф.Р. Теория матриц, М.: Наука,- 1966,- с.576.

151. Экспертная система для технических и экономических реализаций (111JULI Эстер).-Калинин: НПО «Центрпрограммсистем».- 1990.

152. Хартинган Дж. Задачи, связанные с функциями распределения в кластер-анализе. // Классификация и кластер. / Пер. с англ.; Под ред. Дж. Вэн Райзина. М,- 1980.

153. A.c. 997895 СССР, МКИ В 21С 37/08. Способ диагностирования работы трубосварочного стана и устройство для его осуществления / Геппенер В.В. Акимова М.Я., Барановский В.В. и др. (СССР). 2839349/25-27; Заявл. 10.10.79; Опубл. 23.02.83., Бюлл. № 7, с.З.

154. A.c. 834687 СССР, МКИ G 06F 3/00. Устройство для ввода акустических сигналов / Геппенер В.В., Коровацкий В.П., Мыглан С.А. (СССР). — 2766278/18-24; Заявл. 11.05.79; Опубл. 30.05.81, Бюлл. № 20, с.4.

155. Akaike H. Block Toeplitz matrix inversion // SLAM J. Appl. Math., vol. 24, pp. 234-241, 1973.

156. Akay M Wavelet Applications in Medicine // IEEE Spectrum.- 1997,- Vol.34.- No.5, p.50-56.

157. Alhasan A., Geppener V.V. Clustering methods in automatic artefacts detection in digital EEG-systems. // 4-th International Conference "SYMBYOSIS' 95",- 1995.- Gliwice, Poland.-p.126.

158. Anderson T.W., Bahadar R.R. Classification into Two Multivariate Normal Distributions with Different Covariance Matrices // The Annals of Mathematical Statistics.- 1962,- vol.33.- №2,-p.420-431.

159. Antonini M., M. Barlaud, P. Mathieu, I. Daubechies. Image Coding Using Wavelet Transform // IEEE Transanctions on Image Processing.- 1992,- vol.1.- No.2.- p.205-220.

160. Astanin L.Yu., Chernyshov E E, Geppener V.V. Some problems in GPR soft- and hardware for improving mine detection and classification. // Proc. of Euroem 2000 Conf., 30 May-2 June, Edinburgh.- 2000,- p.97-98.

161. Astanin L.Yu., A.A. Kostylev. Ultrawideband Radar Measurements: Analysis and Processing. By: The Institution of Electrical Engineers.- London, UK.- 1997.

162. Baas L., Bourne J.R. A rule-based microcomputer system for electroencephalogramevaluation. // IEEE transactions on biomedical engeneering.- vol.BME-31,- №10,- October 1984.

163. Badeicin A.V., Geppener V.V., Lebedeva L.I., Orlova O.R. Digital System of Trigger Symulation in Electroencephalography. // BEMT97. Internatoinal Workshop Biomedical Engineering & Medical Informatics.- 1997,- Gliwice, Poland.- p. 143-144.

164. Badeicin A.V., Vasserman E.L., Geppener V.V., Golubev A.B. The multilevel descision scheme in expert system for interpretation of electroencephalograms.- 4-th international conferens "Simbiozis'95".- 1995,- Gliwice, Poland.- p. 115.

165. Berkner K., Wells Jr., R.O., A correlation-dependent model for denoising via nonorthogonal wavelet transforms.- CML TR 98-07,- Rice University.- 1998.

166. Bezdek J.C. Pattern recognition with fuzzy objective function algorithms.- New York: Plenum Press.-1981,- p.256.

167. Blanco S., S. Kochen, O. A. Rosso, P. Saldado. Applying Time-Frequency Analysis to Seizure EEG Activity // IEEE Engineering in Medicine and Biology.- 1997,- Vol.16.- No.l.- p.64-71.

168. Brule J.F., Blount A. Knowledge acquisiton.- McGraw-Hill.- New York.- 1989.

169. Buckley J.J., Siler W. Fuzzy numbers for expertsystems // Fuzzy logic in knowledge-based systems, decision and control / Ed. M.M.Gupta, T.Yamakawa. Elsevor Science Publishers B.V., 1988,- p.153-172.

170. Chang R.L.P., Pavlidis T. Fuzzy Decision Tree Algorithms // IEEE Trans. Systems, Man, Cybern.- 1977,-Vol. SMC-7.-No.l.-p.28-35.

171. Chen C.H. Pattern Recognition Processing in Underwater Acoustic. // Pattern Recognition. -1983,- v.16.- №6,- p.627-640.

172. Clarke L. P., M. Kallergi, W. Qian, H. D. Li, R. A. Clark, M. L. Sibiger. Tree-Structured non-linear Filter and Wavelet Transform for Microcalcification Segmentation in Digital Tammography, Cancer Letters.- 1994,77,- p.173-181.

173. Daubechies I. Ten lectures on wavelets.- SIAM, Philadelphia.- 1992.

174. Debenham J. Knowledge Acquisition: a systematic approach. In book: Application of expert systems, edited by J R. Quinlan.- University of Tecnology, Sydney.- 1989.

175. Donoho D.L. De-noising by soft-thresholding // IEEE Trans, on Inform. Theory.- 41(3):613-621.- 1995.

176. Geppener V.V., Vasserman E.L., Chernichenko D.A. Methos of allocation of artifacts in EEG-signals on the basis dynamic models. // BEMT97. Internatoinal Workshop Biomedical Engineering & Medical Informatics.- 1997,- Gliwice, Poland.- p. 145-149.

177. Ellman T. Explanation-based learning: a survey of programs and perspectives // ACM Comp. Surv.- 1989,- Vol.21, Nu.2.- pp. 163-221.

178. Erman L.D., F.Hayes-Roth, V.Leser, D.Reddy. The Hearsay-II Speech-Undestanding System: Integration Knowledge to Resolve Uncertaintg. // ACS.-1980.- 12(2).- p.213-253

179. Geppener V.V., Golubev A.B. Inductive Learning from Examples Using the Subset Vectors and the Methods of the Rough-Set Theory. Pattern Recognition and Image Analysis.- 2000,- vol. 10,-N3, p.389-403.

180. Geppener V.V., Emeljnov G.M., Timochin V.I. An adaptive Classificator on associating Elements. //International conf. "Bionics-75", Varna.- 1975,- p. 154.

181. Geppener V.V., Kazakov D.A. Fuzzy Graph-Schems in Problems of Recognition. // Pattern Recognition and Image Analysis. Advanced in Mathematical Theory and Application.- 1993,- vol.3.-N4,- p.405-414.

182. Geppener V.V., Kazakov D.A. Use of graph-shemes in supervised learning. // Pattern Recognition and Image Analysis. Advanced in Mathematical Theory and Application.- 1992,- vol.2 -N4,- p.374-379.

183. Giese D.A., Bourne J.R., Ward J.W. Syntactic analysis of electroencephalogram. // IEEE Trans. Syst. Man and Cybern.- 1979,- vol. 9,- N.8.- p.429-435.

184. Golubev A.B., Geppener V.V., Vasserman E.L., Alhasan M.M. Learning expert system for the EEG analysis. // International workshop "Biomedical Engineering and Medical Informatics (BEMT97)".- 1997,- Gliwice, Poland.- p.94-98.

185. Guan-Xiong Zhou, Xiao Ping, Yi-Wu Lei, Hai-Ming Zhou An expert system for pattern recognition based on features and knowledge // 9th Int. Conf. Pattern Recogn.: Conf. proc., Rome Nov., 14-17,- 1988,- p.1239-1241.

186. Gupta M.M. Cognition, perception and uncertanity // Fuzzy logic in knowledge-based systems, decision and control / Ed. M.M.Gupta, T.Yamakawa.- Elsevor Science Publishers B.V.-1988.-p.3-10.

187. Haralic R.M. A task of object distinguishing from the relation theory point of view // Pattern recognition.- 1975,- vol.7.- p.67-79.

188. Hart A. Report of workbench on the use of Knowledge acquisition techniques with structured systes methods, help at BP, London, 5,December, 1990. Expert Systems: the Int. J. of Knowledge Engeneering.- 1990,- vol. 7,- № 3,- p. 157-165.

189. Horowitz S.L. A syntactic algorithm for peak detection in weaveforms with applications to cardiography// Communs ACM.-1975.- vol.18.-Ms 5,- p.281-285.

190. Horowitz S.L. Peak recognition in weaveforms.- In: Syntactic pattern recognition: Applications / Ed. K.S. Fu. B. etc.: Springer.- 1977,- p.31-49.

191. Ivanov P.C., M.G. Rosenblum, C.K. Peng, J. Mietus, S. Havlin, E. Stanley, A.L. Goldberger. Scaling Behaviour of Heartbeat Intervals Obtained by Wavelet-Based Time-Series Analysis, Nature, 1996,- vol.383.- No.26,- p.323-327.

192. Jaykar P., Patrick J.P. Autometed rule based graded analysis of ambulatory cassette EEG // Elektroencephalography & clinical neurophysiology.- vol.72.- № 2.-february 1989.

193. Lang, M., Guo, H., Odegard J.E., Burrus C.S., Wells Jr, RO. Noise reduction using an undecimated discrete wavelet transform // IEEE Signal Processing Letters.- 3:10-12,- 1996.

194. Machine learning: a guide to current research / Ed. by Mitchell T.M., Carbonell J.G., Michalski R.S. Boston: Kluwer Akad. Publ.- 1986.

195. Maksym J.N., Bonner A. J., Dent C.A., Hemphill G.L. Machine analysis of acoustical signals // Pattern recognition. 1983. - vol. 16,- no.6.- p.615-625.

196. Mallat, S., A theory for multiresolution signal decomposition: The wavelet representation. // IEEE Trans. Patt. Anal. Machine Intell.- 11.- 674-693,- 1989.

197. Manabu I. Multiclass Pattern Recognition Systems // Man. and Cybernetics.- 1976 №4,-p.256-259.

198. Michalski R.S. Atheroy and methodology of inductive learing // Artif. Intell.- 1983,- vol.20.-N 2,- p.111-161.

199. Mrozek A.A New method for discovering rules from examples in expert system // Int. J. Man- Mach. Stud.- 1992,- vol.36.- p. 127-143.

200. Naohiro Ishii, Hideyuki Sugimoto. Computer classification of the EEG time series by Kullback information measure. INT.J.SYSTEMS SCI.- 1980,- vol.11,- № 6.- p.677-687.

201. Newman Thomas G. A group theoretic approach to invariance in pattern recognition. // IEEE Computer Society conference on pattern recognition and i mage processing, Chicago 1979 -p.407-412.

202. Nii. H.P., Feigenbaum E.A. Rule Based Understsnding of Signals.// Pattern Directed Inference Systems.- 1978,- p.483-501.

203. Nii. H.P., Feigenbaum E.A. Signal-to-Simbol Transformation HASP/SIAP Case Study. // Artificial Intellegence.- 1982,- 3(1).- p.23-25.

204. Pavlidis T. Linguistic analysis of waveforms.-In: Software engeneering / Ed. J.T. Tou. N.Y.: Acad, press.- 1971,- vol.2.- p.203-225.

205. Pawlak Z. Decision tables and decision algorithms. // Bulletin of the Polish Academy of Scince.- 1986,- vol.34.- p. 563.

206. Pawlak Z. Information systems. / Theoretical foundation Information Systems.-1981,-p.205-218.

207. Pawlak Z. Rough sets. // Int. J. of Inf. and Computer Scince. 1982,- vol. 11.- p.213-225.

208. Quinlan J.R. Induction of decision trees // Machine Learning.- 1986,- Vol.1.- Nu.l.- p.81-106.

209. Schneider M., Friedman M., Kandel A. On fuzzy reasoning in expert systems. // 17th Int. Symp.Multiple Valued Log: Conf. proc., Boston, Mass., May 26-27,- 1987,- Washington, D.C.-1987,- p.70-74.

210. Segen J. Learning graph models of shape // Machine Learning.- 1988,- June 12-14.

211. Segre Alberto Maria. Applications of machine learning // IEEE Expert 1992,- vol.7.- № 3,-p.30-34.

212. Shalin V.L., Wisniewski E.J., Levi K.R. A formal analysis of machine learning systems for knowledge acquisition // Int. J. Man-Mach. Stud.- 1989,- vol. 29,- p.429-446.

213. Shaw M.J. Applying inductive learning to enhance knowledge-based expert systems. // Decis. Support Syst.- 1987,-vol.3.-№ 4,-p.319-332.

214. Shensa, M.J., The discrete wavelet transform: wedding the a trous and Mallat algorithms. // IEEE Trans. Sig. Proc., 40(10), 2464-2482,- 1992.

215. Skala H.J. On fuzzy probability measures // Fuzzylogic in knowledge-based systems, decision and control/Ed. M.M.Gupta, T.Yamakawa. //Elsevor Science Publishers B.V.- 1988,- p.123-131.

216. Strang G., Nguen T. Wavelets and Filters Banks.- Wellesley-Cambridge-Press.- 1966.-490 p.

217. Sugeno M. Fuzzy measure and fuzzy integrals // Trans. S.I.C.E.- 1972.- vol.8.- No.2.

218. A.c. 760438 СССР, МКИ H 03K 13/16. Аналого-цифровой преобразователь релаксационного типа / Геппенер В.В., Мыглан С.А. (СССР) 2608262/18-21; Заявл. 03.05.78; Опубл. 30.08.80, Бюлл. № 32, с.4.

219. Vetterli М., J. Kovacevic. Wavelets and Subband Coding.- Prentice Hall.- 1995,- New Jersey, USA.

220. Whittle P. On the fitting of multivariate autoregressions and the approximate canonical factorization of spectral density matrix // Biometrick.- vol.50.- p.129-134.- 1963.

221. Widrow B. The "rubber mask" technique 1. Pattern measurement and analysis, Pattern Recognition 5, p. 175-197 (1973).