Методика и информационно-вычислительный комплекс интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Никонов, Вячеслав Викторович

• Никонов, Вячеслав Викторович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Никонов, Вячеслав Викторович

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ ДИСТАНЦИОННОГО КОНТРОЛЯ

ВОЗДУШНОЙ СРЕДЫ НА НАЛИЧИЕ ВРЕДНЫХ ВЕЩЕСТВ

1.1. Методы, средства и технологии контроля воздушной среды

1.2. Применение интеллектуальных технологий при дистанционном методе контроля воздушной среды

1.3. Постановка задачи создания методики интеллектуальной поддержки принятия решений для идентификации вредных веществ и их концентрации

1.4. Выводы

ГЛАВА 2. РАЗРАБОТКА МОДЕЛИ ИДЕНТИФИКАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ ЛОГИЧЕСКОГО ФОРМАЛИЗМА МОДИФИЦИРУЕМЫХ РАССУЖДЕНИЙ

2.1. Продукционная модель представления знаний для решения задачи идентификации вредных веществ в воздушной среде

2.1.1. Архитектура продукционной экспертной системы на основе монотонной логике

2.1.2. Использование аппарата модифицируемых рассуждений для разработки экспертно-информационной системы немонотонного логического вывода

2.2. Формирование правил логического вывода для определения вредных веществ в воздушной среде

2.3. Экспертно-информационная система идентификации вредных веществ в воздушной среде на основе механизма немонотонного логического вывода

2.4. Система поддержки рассуждений в экспертно-информационной системе идентификации вредных веществ в воздушной среде

2.5. Управление дедуктивной совместимостью фактов в системе поддержки рассуждений

2.6. Выводы

ГЛАВА 3. МЕТОД РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

3.1. Теоретическое обоснование решения задачи определения концентрации вредных веществ в воздушной среде на основе аппарата искусственных нейронных сетей

3.2. Построение алгоритма решения задачи определения концентрации вредных веществ в воздушной среде на основе нейросетевого аппарата

3.3. Синтез структуры нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.4. Обучение нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.4.1. Методы и алгоритмы обучения нейронных сетей

3.4.2. Алгоритм обучения нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.5. Апробирование нейронной сети для определения концентрации вредных веществ в воздушной среде.

3.6. Выводы

ГЛАВА 4. ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНЫЙ КОМПЛЕКС ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ О НАЛИЧИИ ВРЕДНЫХ ВЕЩЕСТВ И ИХ КОНЦЕНТРАЦИИ В СИСТЕМАХ МОНИТОРИНГА ВОЗДУШНОЙ СРЕДЫ

4.1. Основные задачи, реализуемые информационно-вычислительным комплексом для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.2. Описание архитектуры информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.3. Программное обеспечение информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.4. Оценка алгоритмического обеспечения информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.5. Методика идентификации вредных веществ и их концентрации на основе данных, полученных с систем дистанционного лазерного РЖ зондирования

4.6. Выводы

Введение диссертации (часть автореферата) на тему «Методика и информационно-вычислительный комплекс интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий»

Актуальность работы. Быстрое развитие методов и программных средств контроля параметров воздушной среды вызвано возросшей необходимостью наблюдения за экологическим состоянием атмосферы. Для предупреждения экологических катастроф и обеспечения безопасности людей в производственной зоне предприятий необходим постоянный контроль за уровнем содержания загрязняющих веществ в воздушной среде.

Федеральный закон «Об охране окружающей среды» № 7-ФЗ от 10.01.2002 г., закон г. Москвы «Об экологическом мониторинге в г. Москве» № 65 от 20.10.2004 г. определяют необходимость разработки методов и средств контроля процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов.

Эффективным методом исследования воздушной среды атмосферы является метод лазерного инфракрасного (ИК) зондирования. Данный метод позволяет на основе принципов поглощения и рассеивания электромагнитного излучения получать данные о наличии и концентрации вредных веществ, что позволяет выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере. Изучением обработки информации, полученной от систем лазерного зондирования воздушной среды занимаются такие отечественные ученые как: P.P. Агишев, В.Е. Зуев, B.C. Портасов, И.Д. Миценко, Г.Г. Ванеев, Е.С. Селезнева и др. Существующие в настоящее время методы и модели предназначены для изучения различных газов, температуры, давления, скорости, а также других параметров атмосферы. Эти методы трудоемки и требуют высокой квалификации персонала. Экспертные процедуры, в данном случае, строятся на определении наличия только одного вредного вещества. Поэтому возникает необходимость в разработке информационно-вычислительного комплекса для анализа данных, полученных от лазерных систем дистанционного зондирования воздушного бассейна атмосферы, который позволяет определять одновременно несколько вредных веществ и их концентрацию в режиме реального времени без участия эксперта.

Таким образом, задача разработки метода, алгоритма и соответствующего информационно-вычислительного комплекса интеллектуальной поддержки принятия решений для определения вредных веществ в воздушной среде и их концентрации является своевременной и актуальной.

Цели и задачи. Целью работы является создание математических и информационных моделей интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации.

Для достижения поставленной цели в диссертации решены следующие основные задачи.

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученного с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

Методы исследования. Для решения поставленных задач в ходе диссертационного исследования использовались методы логического вывода, методы оптимизации, математического моделирования, искусственных нейронных сетей, технологии разработки алгоритмов и программного обеспечения, объектно-ориентированного программирования.

Научная новизна работы заключается в следующем:

1. Разработаны модели интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий.

2. Предложен алгоритм создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в воздушной среде на основе использования формального концептуального анализа. Это позволило автоматизировать процесс создания правил логического вывода и снизить нагрузку на эксперта.

3. Разработан метод определения концентрации вредных веществ в воздушной среде на основе аппарата искусственных нейронных сетей. ' Предложен алгоритм редукции нейронной сети, основанный на конкуренции синаптических связей между собой, что позволило сократить затраты памяти ЭВМ.

4. Создана методика интеллектуальной поддержки принятия решений для определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

5. Разработана структура экспертно-информационной системы поддержки принятия решений для определения состава вредных веществ в окружающей среде на основе использования логического формализма модифицируемых рассуждений, позволяющая осуществлять логический вывод, построенный на информации, полученной в ходе экологического контроля.

6. Разработан информационно-вычислительный комплекс определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

Практическая значимость и реализация результатов работы

Разработана архитектура информационно-вычислительного комплекса и осуществлена его программная реализация. Комплекс предназначен для определения наличия вредных веществ и их концентрации в воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования. Данный информационно-вычислительный комплекс может быть использован в системах экологического мониторинга и контроля объектов специального назначения. Разработанный информационно-вычислительный комплекс внедрен в ООО КБ «ЭлектронСистема».

Основные результаты, полученные в ходе выполнения диссертационного исследования: алгоритм создания правил логического вывода на основе формального концептуального анализа, экспертно-информационная система на основе механизма немонотонного логического вывода и нейросетевая модель определения концентрации вредных веществ использованы в учебном процессе при подготовке специалистов по ГОСВПО 230102 на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения информатики».

Апробация работы. Наиболее важные результаты докладывались на международной конференции «Перспективные инновации в науке, образовании, производстве и транспорте» (Украина, г. Одесса, 2006 г.), международной конференции «Современные направления теоретических и прикладных исследований» (Украина, г. Одесса, 2007—2008 гг.), четвертой международной конференции — выставке «Экологические системы, приборы и чистые технологии» (г. Москва, 2010 г.), пятой международной конференции - выставке «Промышленные АСУ и контроллеры 2010: от А до Я» (г. Москва, 2010 г.).

Основные положения и результаты работы докладывались и обсуждались на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения и информатики».

Публикации. По теме диссертации опубликовано 6 научных работ, в том числе, 3 в журналах, рекомендованных ВАК РФ, получено свидетельство о государственной регистрации программ для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2008614970, 15.10.2008 г.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и 4-х приложений.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Никонов, Вячеслав Викторович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

ЗАКЛЮЧЕНИЕ

В результате проведенной работы была разработана методика и информационно-вычислительный комплекс интеллектуальной поддержки принятия решений на основе немонотонного логического вывода и нейросетевых технологий. Разработана и реализована модель экспертно-информационной системы для определения вредных веществ в воздушном бассейне атмосферы средствами лазерного зондирования на основе использования графического представления фактов и правил вывода заключений из фактов, а также добавления/удаления из базы знаний правил вывода, на основе полученной дополнительной информации в ходе мониторинга воздушного бассейна атмосферы.

Разработан метод для определения концентрации вредных веществ на основе искусственных нейронных сетей. Предложен алгоритм решения задачи количественного анализа вредных веществ в воздушной среде на основе нейросетевого аппарата.

Для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения спроектирована многослойная полносвязная нейронная сеть.

Разработан информационно-вычислительный комплекс на основе полученных в диссертации теоретических результатов, который предназначен для автоматизации принятия решения о наличии вредных веществ в атмосфере. Программный комплекс позволяет автоматизировать выполнение различных этапов мониторинга: представление данных, идентификация вредных веществ в окружающей среде с использованием логического формализма модифицированных рассуждений, определения концентрации вредных веществ с помощью искусственных нейронных сетей, принятие решения о наличии вредных веществ в воздушном бассейне атмосферы, подсистема обучения и настройки нейронной сети, подсистема визуализации результатов, диспетчер приложений.

Список литературы диссертационного исследования кандидат технических наук Никонов, Вячеслав Викторович, 2010 год

1. Никонов В.В. Построение модели экспертно-информационной системы на основе логического формализма в задачах экологического мониторинга // Приборы и системы. Управление. Контроль. Диагностика, 2010. №4, с. 9-14.

2. Никонов В.В. Использование нейросетевых технологий для определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии // Экологические системы и приборы № 5, 2010. с. 16-19.

3. Никонов В.В. Интеллектуализация автоматизированных систем обработки данных с систем лазерного дистанционного зондирования воздушного бассейна атмосферы. // Промышленные АСУ и контроллеры. 2010. №4, с. 33-37.

4. Никонов В.В. Принципы построения промышленных автоматизированных систем обработки сигналов лидарных систем для дистанционного зондирования атмосферы. // Промышленные АСУ и контроллеры, 2010. № 3, с. 7-8.

5. Козинцев В.И., Белов М.Л., Городничев В.А., Федотов Ю.В. Лазерный оптико-акустический анализ многокомпонентных газовых смесей. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. - 352 с.

6. Козинцев В. И., Орлов В. М., Белков М. Л. Оптико-электронные системы экологического мониторинга природной среды. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. — 527с.

7. Агишев P.P. Лидарный мониторинг атмосферы. — М.:ФИЗМАТЛИТ, 2009. — 316 с.

8. В.Е. Зуев, В.В. Зуев Дистанционное оптическое зондирование атмосферы. — СПб.: Гидрометеоиздат, 1992. — 232с.

9. Ганшин В.М., Чебышев A.B., Фесенко A.B. Комплексные системы мониторинга токсикологической и экологической безопасности. -ОАО ХК «Электрозавод», Спецтехника 2000г.

10. Янсон Э.Ю. Теоретические основы аналитической химии. М.: Высш.шк., 1987

11. Володысо A.B., Ерофеев А.Н, Юдин В.И. Обработка методами нейронной технологии информационных сигналов лазерных оптико-акустических датчиков / / Лазерные системы и их применение: сб. науч. тр. -М.: МНТОРЭС им. A.C. Попова, 2004. С. 34-36.

12. Справочник по физико-химическим методам исследования объектов окружающей среды / Под ред. Г.И. Арановича Л.: Судостроение, 1979.

13. Schoeneburg Е., Heinmann F., Feddersen S. Genetische Algorithmen und Evolutionsstrategien: Eine Einfuerang in Theorie und Praxis der simulierten Evolution. Bonn; Paris; Reading; Mass, u.a.: Addison-Wesley, 1994.

14. Спектроскопические методы зондирования атмосферы /Под ред. И.В. Самохвалова. -Новосибирск: Наука, 1985.

15. Межерис Р. Лазерное дистанционное зодирование. М.: Мир,1987.

16. Обработка лидарного сигнала при многокомпонентном газоанализе атмосферы / М.Л. Белов, В.А. Городничев, В.И. Козинцев и др. / / Вестник МГТУ. Сер. Приборостроение . 1996. №. 3. с. 117-125.

17. Кунце У., Шведт Г. Основы качественного и количественного анализа / Пер. с нем. М.: Мир, 1997.

18. Айвазов Б.В. Введение в газовую хроматографию. М.: Высш.шк., 1983.

19. Белявская Т.А., Болыпова Т.А. Брыкина Г.Д. Хроматография неорганических веществ. М.: Высш.шк., 1986.

20. Юинг Г. Инструментальные методы химического анализа: Пер. с англ. -М. : Мир, 1989.

21. Жаров В.П., Летохов B.C. Лазерная оптико-акустическая спектроскопия. М.: Наука, 1984,

22. Пономарев Ю.Н. Лазерная оптико-акустическая спектроскопия атмосферы// Оптика атмосферы и океана. 1995. Т.8.№ 1-2. Ч. 224-241.

23. Герцберг Г. Электронные спектры и строение многоатомных молекул. -М. : Мир, 1969.

24. Региональный мониторинг атмосферы. Природно-климатические изменения: Коллективная монография / Под общей редакщ1ей М.В. Кабанова. -Томск: МГП «РАСКО»,2000.-Ч.4.-270с.

25. Лазерный контроль атмосферы /под ред. Хинкли Э.Д., Зуева В.Е. М.: Мир, 1979.-416 с.

26. Тихонов А.Н., Арсении В.Я. Методы решения некорректных задач. Учеб. пособие для вузов. Изд. 3-е, испр. М,: Наука. Гл. ред. Физ.-мат. лит., 1986. -288 с.

27. Лазерный контроль атмосферы / Под ред. Э. Д. Хинкли. М.: Мир, 1979.

28. Спектроскопические методы зондирования атмосферы / Под ред. И.В. Самохвалова. — Новосибирск: Наука, 1985.

29. Катаев М.Ю., Мицель А.А. Идентификация состава газовой смеси по спектрам поглощения // Автометрия. 1985. № 4. С. 15-20.

30. Косов, В.И. Экологический мониторинг. Полевые и лабораторные методы экологических исследований: учебн. пособие. Текст./ В.И. Косов, В.Н. Иванов, Г.Н. Иванов Тверь.: Изд-во Гос. техн. ун-та, 1996. -107 с.

31. Методы и приборы экологического мониторинга: учебн. пособие. Текст./ Б.И. Герасимов и [др.] Тамбов, 1996. - 11 с.

32. Донченко, В.К. Актуальные проблемы изучения техногенного загрязнения окружающей среды. Текст./ В.К. Донченко // Экологическая безопасность. Методологические проблемы экологической безопасности. 2007.-№ 1-2(17-18).

33. Замышляев, Б.В. О создании системы глобального мониторинга экологически опасных объектов и регионов. Текст./ Б.В. Замышляев // Научные проблемы национальной безопасности РФ. 1998. - №2.

34. Cichocki, A. Adaptive blind signal processing neural network approaches/ A. Cichocki, S. Amari// Proceeding of IEEE. - 1998. - Vol. 86. P. 421-427.

35. Hopfield, J. Neural computations of decisions in optimization problems / J. Hopfield, D. Tank // Biological Cybernetics. 1985. - Vol. 52. - P. 141-152.

36. Гаврилова T.A., Хорошевский В.Ф. Базы знаний интеллектуальных систем. -С.Пб.:Питер, 2000. -384 с.

37. Джексон П. Экспертные системы. -М.: Вильяме, 2001. -624 с.

38. Головко В. А. Нейронные сети: обучение, организация и применение. Кн. 4: учебное пособие для вузов. М.: ИПРЖР, 2001. - 256 с.

39. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы. / Р. Хехт-Нильсен // Открытые системы. 1998. - №4.

40. Осипов Г.С. Динамические интеллектуальные системы. Текст./ Г.С. Осипов. // Искусственный интеллект и принятие решений. 2008. - № 1.- С. 47-54.

41. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы. Текст./ Р. Хехт-Нильсен // Открытые системы. 1998. - №4.

42. Уоссермен, Ф. Нейрокомпьютерная техника. Текст./ Ф. Уоссермен. М.: Из-во «Мир», 1992. - 240 с.

43. Оссовский, С. Нейронные сети для обработки и информации. Текст./ С. Оссовский; пер. с польск. И.Д. Руденского. М.: Финансы и статистика, 2004. - 344 с. - ISBN 5-279-02567-4.

44. Поспелов, Д.А. Десять «горячих точек» в исследованиях по искусственному интеллекту. Текст./ Д.А. Поспелов // Интеллектуальные системы (МГУ). 1996. - Т.1. - Вып.1- 4. - С. 47-56.

45. Осипов Г.С. Динамические интеллектуальные системы. Текст./ Г.С. Осипов. // Искусственный интеллект и принятие решений. 2008. - № 1.- С. 47-54.

46. Hopfield, J. Neural computations of decisions in optimization problems / J. Hopfield, D. Tank 11 Biological Cybernetics. — 1985. Vol. 52. - P. 141-152.

47. Вагин B.H., Головина Е.Ю, Загорянская А.А., Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: ФИЗМАТ ЛИТ, 2004. 704 с.

48. Хайкин С. Нейронные сети: полный курс, 2-е изд.: Пер. с анг. — М.: ООО» И.Д. Вильяме», 2006.

49. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. —. М,: Горячая линия-Телеком, 2003.

50. Kasabov, N. Foundations of neural networks, fuzzy systems and knowledge enegineering/ N. Kasabov. London: Bradford Book MIT Press, 1996. -236 p.

51. Martinetz, M. «Neural-gas» network for vector quantization and its application to time series prediction/ M. Martinetz, S. Berkovich, K. Schulten // Trans. Neural Networks. 1993. - Vol. 4. - P. 558-569.

52. He, Y. A charge based on-chip adaptation Kohonen neural network / Y. He, U. Ciringiroglu // Trans. Neural Networks. 1993. - Vol. 4. - P. 462-469.

53. Медведев, А.И. Алгоритм обучения однослойного персептрона для задач контроля и диагностики состояния радиоэлектронной аппаратуры. Текст./ А.И. Медведев // Приборы и системы. Управление, контроль, диагностика. 2008 - № 9. - С. 50-52.

54. Ивченко, В. Д. Применение нейросетевых технологий в различных областях науки и техники. Текст./ В.Д. Ивченко, С.С. Кананадзе//

55. Приборы и системы. Управление, контроль, диагностика. 2005. - № 6. - С. 28-29.

56. Иващук, О. А. Интеллектуальные технологии в системах регионального мониторинга экологической безопасности автотранспорта. Текст./ О.А. Иващук // Автомобильная промышленность. 2009. - № 1. -С. 38-40.

57. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2005. 864 с.

58. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб.: БХВ-Петербург, 2003. - 608 с.

59. Чулюков В.А., Астахова И.Ф., Потапов А.С. Системы искусственного интеллекта. Практический курс: учебное пособие. М.: БИНОМ. Лаборатория знаний, 2008. - 292 с.

60. Оськин П. В. Непротиворечивость в системах принятия решений. //Тезисы докладов Девятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". М.: МЭИ, 2003. - Т.1. - С.301-302.

61. Городецкий В. К, Тулупьев А.Л. Формирование непротиворечивых баз знаний с неопределенностью. //Известия Академии Паук. Теория и системы управления, 1997.-№5.-С. 127-134.

62. Forbus K.D., de Kleer J. Building Problem Solver. The MIT Press, Cambridge, Massachusetts, London, England, 1993.

63. Doyle J. A Truth Maintenance System. //Artificial Intelligence, 1979. -Vol. 12.-P. 231-272.

64. McAllester D. A Three-valued Truth Maintenance System. /S.B. Thesis, Department of Electrical Engineering. MIT, Cambridge, MA, 1978.

65. McAllester D. An Outlook on Truth Maintenance. Artificial Intelligence Laboratory, AIM-551, MIT, Cambridge, MA, 1980.

66. McAllester D. Truth Maintenance. //Proceedings of AAAI-90, 1990. -P. 1109-1116.

67. Reiter R. A Logic for Default Reasoning. //Artificial Intelligence, 1980. Vol.13.-P. 81-132.

68. Биркгоф Г. Теория решеток.-М.: Наука, 1984, 337 с.

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

70. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов / М.В. Ульянов. М.: Издательство Физико-математической литературы, 2004. - 212с.

71. Ganter В., Wille R. Formale concept analysis: mathematical foundatioun.-Springer Verlag, New York, 1997, 93 c.

72. Чубукова И.A. Data Mining: Учебное пособие. — М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. — 382 с.

73. Барсегян А.А. Технологии анализа данных: Data Mining, Visual Mining, Text mining, OLAP. —2-е изд., перераб. и доп. — СПб.: БХВ-Петербург, 2007. -384 с.

74. В. Ganter, R. Wille. Applied lattice theory: Formal Concept Analysis. URL: http://www.math.tu-dresden.de/~ganter/concept.ps

75. Тейз А., Грибомон Т. и др. Логический подход к искусственному интеллекту: от классической логики к логическому программированию.-М.: Мир, 1990.-432 с.

76. Ашинянц Р.А. Логические методы в искусственном интеллекте. -М.: МГАПИ, 1996.-209 с.

77. Doyle J. Truth Maintenance Systems // J. of Artificial Intelligence, vol. 12, 1979.

78. Risutova, Z. Analytical model of air pollution due to motor car traffic/ Z. Risutova // Contrib. Geophys. Inst. Slov. Acard. Sci. 1991. - N 11. - P. 99107.

79. Джонс M.T. Программирование искусственного интеллекта в приложениях: Пер. с англ. М.: ДМК Пресс, 2006 - 312 с.

80. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие/ Г,Э. Яхъяева. -М.; Интернет Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006, - 316с.

81. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.:. Горячая Линия — Телеком, 2001

82. Дубровин В.И., Субботин С.А. Алгоритм ускоренного обучения нерсептронов //Нейроинформатика-2002,2002.

83. FaiTukh Kamran, Harley R.G., Burton В., Habetier T.G., Brooke M.A. A fast on-line neural-network training algorithm for a rectifier regulator / / TITEE Transactions on power electronics, 1998, vol. 13, no. 2.

84. Рутковская Д., Пилиньский M., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия ТЕЛЕКОМ, 2006 - 452 с.

85. Бабкин, Э.А. Принципы и алгоритмы искусственного интеллекта: Монография / Э.А. Бабкин, O.P. Козырев, И.В. Куркина. Н. Новгород: Нижегород. гос. техн. ун-т. 2006. 132 с.

86. Джейн А.К., Мао Ж., Моиуддин K.M. Введение в искусственные нейронные сети.// Открытые системы. 1997. №4. С. 16 24.

87. Морозова Т.Ю., Клюха A.A. Об одном методе анализа данных в задаче психологической диагностики.// Информационно-управляющие системы, 2007. №5. С. 42-44.

88. Морозова Т.Ю., Бурлаченко Т.Б. Модель нейрона, находящегося под действием шума. Вестник МГУПИ, №9. М.: Вестник МГУПИ, 2007. С. 45-50.

89. Mueller D., Hammerstrom D. A Neural Network Systems Component/ЛЕЕЕ Int. conf. neural networks. San. Francisco, Calif. 1993, v. 3, pp. 1258 -1264.

90. Ашинянц P.A. Стратегии логических методов обучения и концептуальной классификации / P.A. Ашинянц // Информационные технологии в проектировании и производстве. Москва, 1997. - №3. - С. 2240.

91. Крылов Е.В. Техника разработки программ: в 2-х кн. / Е.В. Крылов, В.А.Острейковский, Н.Г. Типикин. — М.: Высшая школа, 2007. -Кн.1. — 375с.

92. Левитин А. В. Алгоритмы. Введение в разработку и анализ / А.В.Левитин. -М.: Вильяме, 2006. 576с.

93. Маркова H.A. Качество программы и его измерения / H.A. Маркова // Системы и средства информатики. М.: Наука, 2002. - Вып. 12.

94. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. М.: Наука, 1987.

95. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов / М.В. Ульянов. М.: Издательство Физико-математической литературы, 2004. - 212с.

96. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия / В.К. Финн // Будущее искусственного интеллекта. -М.: Наука, 1991.-С. 157-177.

97. Michalski R., Stepp R. Learning from observation: conceptual clastering // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.331-64, 1984.